授权协议 MIT
开发语言 Google Go 查看源码 »
操作系统 跨平台
软件类型 开源软件
所属分类 应用工具
开源组织
地区 不详
投 递 者 达尔文
适用人群 未知
收录时间 2016-09-18

软件简介

regression 是 Go 的多元线性回归。

用法举例:

导入安装包,创建一个回归和数据,并添加进去。你可按照你的需要添加变量,下面实例中我们使用三个变量:

package mainimport (    "fmt"

    "github.com/sajari/regression")func main() {    r := new(regression.Regression)
    r.SetObserved("Murders per annum per 1,000,000 inhabitants")
    r.SetVar(0, "Inhabitants")
    r.SetVar(1, "Percent with incomes below $5000")
    r.SetVar(2, "Percent unemployed")
    r.Train(
        regression.DataPoint(11.2, []float64{587000, 16.5, 6.2}),
        regression.DataPoint(13.4, []float64{643000, 20.5, 6.4}),
        regression.DataPoint(40.7, []float64{635000, 26.3, 9.3}),
        regression.DataPoint(5.3, []float64{692000, 16.5, 5.3}),
        regression.DataPoint(24.8, []float64{1248000, 19.2, 7.3}),
        regression.DataPoint(12.7, []float64{643000, 16.5, 5.9}),
        regression.DataPoint(20.9, []float64{1964000, 20.2, 6.4}),
        regression.DataPoint(35.7, []float64{1531000, 21.3, 7.6}),
        regression.DataPoint(8.7, []float64{713000, 17.2, 4.9}),
        regression.DataPoint(9.6, []float64{749000, 14.3, 6.4}),
        regression.DataPoint(14.5, []float64{7895000, 18.1, 6}),
        regression.DataPoint(26.9, []float64{762000, 23.1, 7.4}),
        regression.DataPoint(15.7, []float64{2793000, 19.1, 5.8}),
        regression.DataPoint(36.2, []float64{741000, 24.7, 8.6}),
        regression.DataPoint(18.1, []float64{625000, 18.6, 6.5}),
        regression.DataPoint(28.9, []float64{854000, 24.9, 8.3}),
        regression.DataPoint(14.9, []float64{716000, 17.9, 6.7}),
        regression.DataPoint(25.8, []float64{921000, 22.4, 8.6}),
        regression.DataPoint(21.7, []float64{595000, 20.2, 8.4}),
        regression.DataPoint(25.7, []float64{3353000, 16.9, 6.7}),
    )
    r.Run()

    fmt.Printf("Regression formula:\n%v\n", r.Formula)
    fmt.Printf("Regression:\n%s\n", r)
}

提醒:你同样可以一个一个地添加数据点。

一旦计算出来,你可以打印数据,检查R ^ 2,方差,残差等,您也可以直接访问该系数的其他使用地方。如:

// Get the coefficient for the "Inhabitants" variable 0:c := r.Coeff(0)元
You can also use the model to predict new data points
prediction, err := r.Predict([]float64{587000, 16.5, 6.2})
展开阅读全文

代码

的 Gitee 指数为
超过 的项目

评论 (0)

加载中
更多评论
暂无内容
发表了博客
2016/09/25 11:23

Logistic regression

1: Classification As we learned in the last mission, the fundamental goal of machine learning is to understand the relationship between the independent variable(s) and the dependent variable. Specifically, we're interested in the underlying mathematical function that uses the features to generate labels. In supervised machine learning, we use training data that contains a label for each row to ...

0
0
发表了博客
2018/08/15 20:40

回归(Regression)

回归(Regression) 生活中的很多事物之间是相互影响的,如商品的质量跟用户的满意度密切相关。而回归分析是要分析两个事物间的因果关系,即哪一个是自变量和因变量,以及自变量和因变量之间的关系;回归有着较多的实际应用场景,如分析天气和空气中跟物质含量跟PM2.5浓度的关系,在分析出这一关系后,即可以用来预测未来某一时刻的PM2.5;如在无人车中,分析无人车红外线感测值、各个方向的视觉图等与方向盘角度之间的关系; 回...

0
0
发表了博客
2016/09/18 23:37

Linear Regression

1: Introduction In this mission, we'll be looking at how expert wine tasters evaluated different white wines. Here are the first few rows of the data: "fixed acidity","volatile acidity","citric acid","residual sugar","chlorides","free sulfur dioxide","total sulfur dioxide","density" ,"pH","sulphates","alcohol","quality" 7,0.27,0.36,20.7,0.045,45,170,1.001,3,0.45,8.8,6 6.3,0.3,0.34,1.6,0.049,14,...

0
0
2019/11/01 19:30

Lasso Regression

Lasso Regression 展开 本文分享自微信公众号 - 生信修炼手册(shengxinxiulian)。 如有侵权,请联系 support@oschina.cn 删除。 本文参与“OSC源创计划”,欢迎正在阅读的你也加入,一起分享。

0
0
2019/10/31 19:31

Ridge Regression

Ridge Regression 展开 本文分享自微信公众号 - 生信修炼手册(shengxinxiulian)。 如有侵权,请联系 support@oschina.cn 删除。 本文参与“OSC源创计划”,欢迎正在阅读的你也加入,一起分享。

0
0
2018/06/25 17:21

linear regression

今天分享一个很经典的ML算法---LIner regression(线性回归) >**线性回归(Linear regression)**是利用称为线性回归方程的[最小二乘](https://zh.wikipedia.org/wiki/%E6%9C%80%E5%B0%8F%E4%BA%8C%E4%B9%98%E6%B3%95 "最小二乘法")函数对一个或多个[自变量](https://zh.wikipedia.org/wiki/%E8%87%AA%E5%8F%98%E9%87%8F "自变量")和[因变量](https://zh.wikipedia.org/w/index.php?title=%E5%9B%A0%E5%8F%98%E9%87%8F&action=e...

0
0
发表了博客
2018/07/31 17:21

分类---Logistic Regression

一 概述 Logistic Regression的三个步骤 现在对为什么不使用均方误差进行分析(步骤二的) 由上图可以看出,当距离目标很远时,均方误差移动速率也很慢,不容易得到好的结果。 Discriminative(Logstic) v.s. Generative(Gaussion) 两种方法的model是一样的,训练的数据是一样的,但是找出来的参数不一样!!! 通常来说Discriminative的性能要比Generative要好,但是Generative也有自己的特色。 二 多分类 三 Logistic Reg...

0
0
没有更多内容
加载失败,请刷新页面
点击加载更多
加载中
下一页
暂无内容
0 评论
1 收藏
分享
OSCHINA
登录后可查看更多优质内容
返回顶部
顶部