matlab_ols_regression_homework

问题 1：逻辑回归 实验结果表明，随着进入 Logistic 回归分类器 的样本数量增加，测试准确性也逐步提高。这是合理的，因为数据集中的模式在样本量增多时变得更加代表性。随着更多样本的引入，模型的泛化能力也变得更强。下图展示了模型的测试准确性与训练时使用的样本数之间的关系，随着样本数量的增加，测试准确性呈明显的上升趋势。 问题 2：稀疏Logistic回归 根据实验结果，理想的正则化参数为 0.1。当正则化参数过大时， AUC 值会降低，正则化参数为 0 或 1 时，模型的性能较差。当正则化参数为 1 时，模型的测试准确度恰好为 50%。这是因为测试数据包含了74个阳性样本和74个阴性样本，因此，模型始终预测为0时，正好能够正确分类一半的样本。下图显示了精度与 L1 正则化参数 的关系。实验还揭示了一个有趣的模式，数据集中的相关特征数量约为 15-20 个。

使用回归树算法和 ANFIS 训练生成模糊推理系统 (FIS)。

Matlab开发 - 在TLAB中使用ekasSVM回归函数。演示如何将WEKA的ML库导入Matlab，并使用SVM回归。

OLS算法用于求解最小二乘问题，通过从矩阵A中选择最佳r个回归器，找到最优解。同时返回向量ind中最佳回归量的索引。

pso_lssvm回归预测MATLAB代码

这个函数利用给定的回归变量在Matlab中执行标准的多元OLS回归。回归变量应为列向量，观察值应在行中提供。回归结果包括模型的系数、估计值和残差，分别存储在单独的矩阵中。与Matlab提供的标准回归代码相比，它具有更快的运行速度，并且在一个全面的位置提供更多信息，使用户可以轻松访问所需的所有信息。该函数无需额外安装统计工具箱即可运行。此外，它还提供了异方差一致的标准误差（White 1980），并且未来将进一步扩展以支持滚动窗口回归分析。

该项目提供了基于梯度下降的softmax回归实现，专注于MNIST数据分类。此外，还包含多个领域的Matlab仿真代码，涵盖智能优化算法、神经网络预测、信号处理等应用。

MySQL Chapter 5 Homework 3.zip包含与MySQL数据库章节五相关的课后作业文件。

这是高斯核平滑估计函数的局部线性版本： http : //www.mathworks.com/matlabcentral/fileexchange/loadFile.do? objectId=19195&objectType= FILE局部线性估计器改进了在数据收集过程中处理区域边缘的回归表现。