线性回归九正则化三

yangjiajia123456 2024-04-13 23:18:40

课时名称课时知识点
线性回归九正则化三L1和L2正则原理详细讲解，L1（LASSO）和L2（Ridge）2中算法的比较
...全文
62 回复 打赏 收藏 转发到动态 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
【机器学习】什么是正则化？如何在线性回归和逻辑回归中使用正则化
本文介绍了正则化的基本概念，如何在Python线性回归和逻辑回归中应用，以及不同lambda值对学习算法的影响。通过实例演示了如何在梯度下降中加入正则化，从过度拟合到欠拟合的调整策略。
人工智能概念之四：常见的正则化手段（用线性回归演示过拟合和正则化、L1正则化、L2正则化、Dropout、批量归一化、早停法、数据增强）
本文围绕机器学习中的正则化展开，介绍其核心目标与常见实现方向，详细阐述L1、L2正则化、Dropout、批量归一化等主流技术。通过线性回归演示过拟合现象，说明训练损失低不代表测试损失低。还展示L1正则化缓解过拟合的效果，并给出正则化方法选择建议。
几种线性回归的区别LinearRegression、Ridge、SGDRegressor和Lasso
本文对比了LinearRegression、Ridge、SGDRegressor和Lasso四种线性回归模型的特点。LinearRegression是最基本的模型；Ridge通过L2正则化解决多重共线性问题；SGDRegressor适用于大规模数据集；Lasso利用L1正则化进行特征选择。
线性回归linear_model.LinearRegression
这篇博客介绍了线性回归的使用，包括sklearn库中的LinearRegression模型，讨论了模型的超参数和方法。通过实例展示了如何处理数据并进行模型训练。接着，博主探讨了岭回归（Ridge Regression）和Lasso回归，包括它们的超参数调节，以及如何通过调整alpha参数影响模型复杂度。最后，通过绘制学习曲线和系数对比，展示了不同正则化强度对模型性能的影响。
Scikit-learn Python机器学习 - 回归分析算法 - 线性回归 (LinearRegression & SGDRegressor)
本文深入讲解Scikit-learn中线性回归的基本原理、损失函数及求解方法，重点介绍LinearRegression与SGDRegressor的API使用，并通过加州房价预测实例展示建模流程，涵盖梯度下降、正则化、学习率调节等关键技术细节。
杨佳佳的课程社区_NO_1

1

社区成员

402

社区内容

发帖
与我相关
我的任务
社区管理员
  • yangjiajia123456
加入社区
  • 近7日
  • 近30日
  • 至今

加载中

查看更多榜单
社区公告
暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章