了解线性回归
线性回归（Linear Regression）是一种统计学中常用的回归分析方法，用于建立一个因变量与一个或多个自变量之间的线性关系模型。该模型可以用于预测和解释变量之间的关系，并可用于探索数据中的趋势和模式。
线性回归的主要特点包括：
- 假设线性关系：线性回归假设因变量与自变量之间存在线性关系。
- 拟合最佳直线：通过最小化预测值与实际观测值之间的残差平方和，找到最佳拟合的直线。
- 单变量或多变量：线性回归可以处理一个或多个自变量与一个因变量之间的关系。
- 可解释性强：线性回归模型能够提供自变量对因变量的影响程度，帮助解释变量之间的关系。
线性回归的应用场景包括：
- 预测与预测分析：通过历史数据建立线性回归模型，预测未来的趋势和数值。
- 趋势分析：通过线性回归模型可以分析数据的趋势，帮助决策者制定相应策略。
- 关联性分析：线性回归可以帮助确定自变量和因变量之间的相关性。
在腾讯云中，推荐的相关产品是机器学习平台（https://cloud.tencent.com/product/mlp）和云数据库 TencentDB（https://cloud.tencent.com/product/cdb）。机器学习平台可以用于构建和训练线性回归模型，而云数据库 TencentDB 可以用于存储和处理相关数据。
相关·内容
我正在尝试使用机器学习来预测数据集。这是一个具有180个输入特征和1个连续值输出的回归问题.我尝试比较深度神经网络、随机森林回归和线性回归。
正如我所预期的那样，三隐层深层神经网络的性能优于其他两种方法，均方根误差(RMSE)为0.1。然而，我意外地发现，随机森林的表现甚至比线性回归还要糟糕(RMSE为0.29比0.27)。在我看来，随机林可以发现更复杂的特征之间的依赖关系，以减少错误。我尝试调优随机森林的参数(树数、最大特性、max_depth等)。我也尝试过不同的K-交叉验证，但性能仍然低于线性回归.
我在网上搜索，有一个答案说，如果特征对协变量有平滑的、近乎线性的依赖，线性回归可能会表现
浏览 5提问于2018-01-04得票数 2
回答已采纳
在TensorFlow库中，tf.estimator.LinearClassifier类在线性回归模型中做什么？(换句话说，它是用来干什么的？)
浏览 0提问于2020-08-01得票数 2
回答已采纳
1回答
是否可以使用XGBoost回归器进行非线性回归？
我知道linear和logistic的目标。linear目标与gblinear助推器一起工作得很好。这让我想知道是否可以将XGBoost用于像对数或多项式回归这样的非线性回归。
( a)是否有可能像在CNN中那样进行多项式回归，其中XGBoost通过生成n个多项式函数来逼近数据？( b)如果a)通常是不可能的，那么是否可以用它的参数声明一条曲线，并让XGBoost计算出这些参数的值？(举个例子)假设我们猜测这条曲线可以用以下方法近似：
10^{a\log_{k}({x})-b}
XGBoost必须计算出a、k和b。x将是一个给定的特性。
浏览 0提问于2021-12-04得票数 5
2回答
对不起，我知道这是一个非常基本的问题，但由于我仍然是机器学习的初学者，确定什么模型最适合我的问题仍然让我困惑，最近我使用了线性回归模型(导致r2_score如此之低)，一个用户提到我可以根据我的数据曲线使用某些模型，当我看到另一个编码器使用随机森林回归时(导致r2_score比线性回归模型好30% )，我不知道他/她怎么知道更好的模型，因为他/她没有提到它。我的意思是，在我读到的大多数网站中，他们将数据推到他们认为最适合问题的一些模型中(例如:对于回归问题，模型可以使用线性回归或随机森林回归)，但在一些网站中，有些人说，我们首先需要绘制数据，这样我们才能准确地预测哪个模型最适合。我真的不知道
浏览 36提问于2020-01-12得票数 0
3回答
对于所有线性分类器和线性回归算法，预测算法都是完全相同的吗？
众所周知，任何线性分类器都可以描述为：y = w1*x1 + w2*x2 + ... + c
📷
确定线性分类器参数的方法有两大类(生成和鉴别)：https://en.wikipedia.org/wiki/Linear_分类器。
线性判别分析(或Fisher线性判别)，朴素贝叶斯分类器
Logistic回归、感知器、支持向量机
问:线性分类器只在学习算法中有所不同，但它们在预测y = w1*x1 + w2*x2 + ... + c时也是这样吗？
如果我使用一种训练方法(例如带有线性核函数的支持向量机)，那么我是否可以使用其他方法进行
浏览 0提问于2019-01-31得票数 5
回答已采纳
它们从下面的等式开始。
Y= w*x +b
但他们解决问题的方法不同。MLR通过最小化平方误差来指定w和b，而SVM则通过最小化C和epsilon定义的损失函数来指定w和b。
我想知道回归的结果是否有很大的不同。我猜想，如果给定的数据集是干净的，并且由输入特征很好地解释，那么SVM和MLR之间的结果w和b就会接近。把我最初的问题放在不同的地方，我找不到任何理由使用线性支持向量机回归而不是多元线性回归。
浏览 0提问于2019-08-29得票数 1
回答已采纳
1回答
有两个宽度为thk、内径为rad的半圆，由sep分隔，如图所示(红色为-1，蓝色为+ 1)。上半圆的中心与下半圆的边缘的中间对齐。当sep >=为0时，此任务是线性可分的，而当sep <0时，则不是线性可分的。设置rad = 10，thk =5，sep =5。然后，统一生成2,000个示例，这意味着每个类大约有1,000个示例。 描述问题的图： ? 我使用逻辑回归将数据集分成半圆。当sep为负值时，logistic回归的结果不是最好的。 我想在数据集中添加一个新的非线性特征，之后logistic回归会产生更好的结果。
浏览 26提问于2020-07-07得票数 0
回答已采纳
我使用训练集和测试集对我的数据集进行了Logistic回归和支持向量机。现在，为了检查我的结果是否健壮，我想执行交叉验证(我使用的是caret包)。
我正在使用以下代码：
train_control <- trainControl(method="repeatedcv", number=10, repeats=10)
model <- train(response ~., data=df, trControl=train_control, method="glm")
然而，在我看来，我似乎只是在检查我的logistic回归模型的准确性(因为我使用的是
浏览 1提问于2019-05-18得票数 0
回答已采纳
2回答
我知道线性回归做“回归”，logistic回归做“分类”。当我们实现这两种方法时，我能注意到的唯一不同是损失函数:线性回归使用均方误差这样的损失函数，logistic使用交叉熵。还有什么我不知道的区别吗？
浏览 0提问于2018-09-14得票数 1
回答已采纳
1回答
用于线性回归的神经网络
、、、、
我找到了一个非常棒的源代码，它完全符合我所需要的模型：
重要的部分是这样的。
你有一个x->y图，每个x值都是“特征”的总和，或者我将如何表示它们，z。
因此x->y图的回归线应该是函数，其中h(x)是回归线( h(SUM(z(subscript-i)) )
在这种神经网络中，其思想是以最小化最小平方误差的方式为每个z-value分配一个权重。
梯度函数用于更新权重以最小化误差。我相信我可能返回到错误的传播--我更新了权重。
所以我写了一些代码，但是我的权重没有被正确更新。
我可能只是误解了斯坦福帖子中的一个规范，所以这就是我需要你帮助的地方。有没有人可以验证我是否正确地实现了这个
浏览 1提问于2016-02-03得票数 0
2回答
线性回归假设
、、
我读到，我们对线性回归作了以下假设：
1.线性(正确的函数形式)
2.常量误差方差(同方差)
3.独立误差项(无自相关)
4.误差术语的正态性
5.无多重共线性
6.外部性(无遗漏的变量偏差)
因此，这些假设是特定于线性回归或适用于所有类型的回归技术，如支持向量回归，拉索和岭回归，逐步回归等。
浏览 0提问于2020-03-11得票数 3
1回答
对于与分类和回归问题相关的术语，我面临一些困惑。使用MLP和Perceptron模型。这些建议如下：
1)当数据线性不可分时，我们使用MLP。在这里，什么是b“数据”--是响应还是输入特性是线性不可分割的？
2)如果它是线性不可分的，那么它是否意味着从输入到输出的映射函数总是非线性的？因此，我们更喜欢MLP或最新的新模式，如深度学习？
3)线性回归在线性不可分离数据中失效，或者线性回归对不可分离数据有效，但如果函数映射是非线性的，则线性回归失败？
浏览 0提问于2019-10-08得票数 2
回答已采纳
2回答
根据我所理解的，线性回归可以预测可以具有连续值的结果，而logistic回归预测的结果是离散的。在我看来，logistic回归类似于一个分类问题。所以，为什么叫回归？
还有一个相关的问题：
浏览 9提问于2015-05-28得票数 7
回答已采纳
1回答
我取了4个特征，所有的特征都是相同的X1=X2=X3=X4，目标是Y=X1。
我想知道，多重共线性如何影响模型的系数？我用这些数据训练了sklearn线性回归模型，似乎对系数没有任何影响。请帮助我理解这一点。
浏览 2提问于2021-05-06得票数 0
3回答
线性回归模型
、、
我是机器学习的新手，我想学的第一个概念是线性回归。我读过，要应用线性回归，我需要使用线性模型。从这个假设出发，我知道这是一个简单的线性回归模型：
y = w0 + w1x
线性回归的定义是，因变量y应该是参数w的线性组合(但对于自变量x则不一定相同)。
所以我们可以说，这也是一个线性回归模型：
y = w0 + w1x1 + w2(x2)^2
在这种情况下，我应该说这是一个线性回归模型，因为对于定义来说，w0、w1和w2在表达式中仍然是线性的。即使存在自变量x2的二次项。
现在，我有个问题。如下所示的模型：
y = w1 x1 + w2 x2 + w3 x3 + w4 x1x2 + w5 (
浏览 0提问于2018-06-26得票数 2
1回答
当输入和输出变量之间存在线性关系时，使用线性回归。这种线性关系是否意味着对变量或参数没有幂？在m的理解中，线性是指相对于参数(无幂)的线性。如果错了，请纠正我。基本上，我在看本教程时有点困惑：https://www.gaussianwaves.com/2013/03/how-to-estimate-unknown-parameters-using-ordinary-least-squares-ols/
这里用线性回归来拟合直线，但如果函数是三次或更高次多项式(对变量的幂)，我们还可以使用线性回归吗？在拟合高阶多项式时，我们用正则线性回归来惩罚高阶称变量。基于这些困惑，有谁能帮助澄清以下几点呢？
浏览 0提问于2019-10-28得票数 0
回答已采纳
我读过几篇关于多项式回归和非线性回归的文章，但是他们说两者是不同的概念。我的意思是，当你说多项式回归，实际上，它意味着它的非线性权利。那么，为什么数据科学世界在这两个概念上存在差异呢？
浏览 0提问于2019-10-10得票数 4
回答已采纳
2回答
在安德鲁斯logistic回归癌症的例子中，我可以画一条水平线y=.5 (显然通过y=.5 )，如果有任何点在这条线上，y=.5 => +ve就画10，否则画-ve。那么为什么我需要逻辑回归呢？我只是试图理解使用逻辑回归的最好的案例解释？
正如您在包含的图像中所看到的，一条水平线清楚地划分了这两个类别，那么为什么要选择逻辑呢？
浏览 0提问于2015-05-28得票数 2
正如标题中所说的，平稳性和低自相关性是一般/线性回归模型的前提吗？也就是说，如果一个时间序列是非平稳的或者具有很大的自相关性，那么用线性模型和深度学习等回归模型来预测会更容易还是更难呢？
浏览 0提问于2019-12-11得票数 4
回答已采纳
我想用java编写逻辑回归(分类问题)算法-
假设是-
有没有人能告诉我−
(−θ的T次方)是？
我可以编写线性回归的代码它的假设是
这是相对容易的，但不能从逻辑回归开始。
浏览 1提问于2014-01-13得票数 0
我使用的是Statistics::Regression的Perl模块。它可以很好地运行多变量回归。但是，如果我只在构造函数中提供一个回归器
my $reg = Statistics::Regression->new("Sample Regression", ['X']);
它会抱怨这条消息：
Statistics::Regression:new: Cannot run a regression without at least two variables.
人们也有同样的问题吗？错误消息措辞不明确，因此我解释得好像没有提供response变量。但事实并非如
浏览 0提问于2011-10-15得票数 0
回答已采纳
我读过一个比较线性回归和随机森林回归的问题。我当时应该在两者之间作出选择，并解决一个问题。问题中提到，“随机森林也能比线性回归更好地处理缺失值和基数”。为什么会这样呢？这是怎么发生的？
浏览 0提问于2022-06-17得票数 1
我有一个二进制0-1变量的数据结构(点击&购买；点击&不是-购买)属性的向量。我使用逻辑回归来获得购买的概率。如何使用随机森林来获得相同的概率？是使用随机森林回归吗？或者是R中type='prob‘的随机森林分类，它给出了类别变量的概率？
浏览 3提问于2016-12-15得票数 0
1回答
数据集的机器学习分析
、、、、
我有一个数据集，其中包括房屋，不同的特点，和它的价格。我试图对这个数据集做一个高级分析，我已经使用不同的回归技术，如岭回归、拉索回归和弹性网络回归，做了房价预测分析。
此外，我想做机器学习分析与数据集。对于上述数据集，我能做什么样的预测？有人有什么想法请告诉我吗？？
浏览 0提问于2020-01-24得票数 -1
8回答
我对机器学习和神经网络很陌生。我知道如何建立一个非线性分类模型，但我目前的问题有一个连续的输出。我一直在寻找关于神经网络回归的信息，但我所遇到的只是关于线性回归的信息--没有关于非线性情况的信息。这很奇怪，因为为什么会有人用神经网络来解决简单的线性回归呢？这不就像用核弹杀死苍蝇吗？
所以我的问题是:是什么使神经网络非线性？(隐藏层？非线性激活函数？)或者我对“线性”这个词有一个完全错误的理解--线性回归神经网络能够准确地建模出比y=aX+b更复杂的数据集吗？“线性”一词是否与“逻辑”相反？
(我计划使用TensorFlow，但TensorFlow线性模型教程以二进制分类问题为例，因此这对我也没
浏览 12提问于2016-12-20得票数 37
回答已采纳
我正在使用构建一个线性回归模型。
它是否执行任何特征评估/提取？有办法查到这些信息吗？我看到了一些与估值器相关的超参数，但在特性上没有。我看到一个叫
是否有方法跟踪/获取已部署模型的培训/测试数据？我读了一本关于世系的书，但没有看到任何东西。
当使用WML存储和部署一个scikit-learn线性回归模型时，我得到了learning_configuration_url、evaluation_metrics_url和feedback_url。这些是否可以使用WML之外的REST访问？
谢谢！
浏览 0提问于2019-05-21得票数 0
目的:求回归线(多变量超平面)的系数。最能模拟数据的方法。我们把这个叫做w
在以下方面有何区别：
1)使用MAP估计：w=(XX^T+\lambda I )^{-1}Xy^T，其中X是输入的训练数据，y是训练的输出。
和
2)使用神经网络进行回归(我不知道这是如何实现的)
(以及用于线性回归的任何其他方法)
浏览 0提问于2018-11-09得票数 2
我正试图为一个任务构建一个xgboost回归器或一个catboost回归器。我有一个可行的线性回归模型。我也为这项任务训练了一个xgboost回归模型，但它比线性回归模型更糟糕。我想知道是否有一种方法将线性回归权值(模型参数)作为初始参数集传递给xgboost (或catboost)模型，以确保性能增益？
例如，如果w0*x0 + w1*x1 + w2*x2 + w3*x3 = y是线性回归模型，那么有什么方法可以告诉xgboost从相同的方程开始(并且在训练时变得更好)？
浏览 0提问于2019-12-18得票数 0
回答已采纳
对燃油经济性数据进行logistic回归的尝试
但是得到这个错误：
ValueError: Unknown label type: 'continuous'
代码：
X = fuel.drop('Fuel Economy (MPG)', axis=1).values
y = fuel['Fuel Economy (MPG)'].values
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X = sc.fit_transform(X)
f
浏览 10提问于2022-05-23得票数 1
1回答
感谢你阅读这篇文章。 各种回归模型被应用于曲线估计(实际测量的通气量)。使用GLM和GAM模型进行比较，包括多项式回归。我使用R。 ? 有没有其他类型的回归模型可以很好地模拟这条曲线？like...bayesian？(事实上，我甚至不知道它是否可以在这里应用) 真心的。
浏览 29提问于2019-10-13得票数 0
回答已采纳
1回答
我已经绘制了二维直方图，我可以用线、点等添加到图中。现在我试图在密集点区域应用线性回归拟合，但是我的线性回归线似乎完全偏离了它应该在的位置？这里演示的是我在左边的图，它有一个低回归拟合和一个线性拟合。
lines(lowess(na.omit(a),na.omit(b),iter=10),col='gray',lwd=3)
abline(lm(b[cc]~a[cc]),lwd=3)
这里a和b是我的值，cc是最密集部分中的点(即大部分点位于那里)，red+yellow+blue。
为什么我的回归线看上去不更像右边(手绘合适)？如果我想出一条最合适的路线，它会在那里吗
浏览 4提问于2014-03-08得票数 8
回答已采纳
2回答
我正在训练一个基于树的模型(例如xgb)。我有一些功能，超过90%的值常数。由于数据的变化最小，它是否为模型增加了价值？如果我使用线性回归模型，同样的影响会是什么？
浏览 0提问于2022-07-28得票数 0
回答已采纳
我阅读了Andrew NG的机器学习教程，在线性回归中遇到了梯度下降。当我尝试使用Python查找同样的内容时，我在youtube教程中找到了：
这里使用最佳拟合斜率进行线性回归。请建议什么时候使用哪一个？最优拟合或相似过程能用于高次多项式吗?能用于多元线性回归吗？
向Souvik Saha Bhowmik致敬
浏览 2提问于2016-10-20得票数 0
1回答
我的线性回归的R平方分数是-1.56，但我的随机森林回归的R平方分数大约是0.48。能得到这样的分数吗？
浏览 1提问于2020-06-02得票数 0
我是一名心理学专业的学生/研究人员，我希望建立一个有3个变量的现象模型。这些变量之间的关系非常不清楚，但我假设这些变量在本质上是非线性的，这意味着我不应该使用线性回归或相关分析(比如说，学习的动机，测试的结果，以及成就感，对于有阅读障碍的人)。但是，由于我手头没有数据，所以数据分布的性质还不清楚。
我问过我的同事们，他们建议我使用GLM (广义线性模型)，但我不确定它是否合适，因为它是线性的。此外，即使它适用于非线性模型，我假设回归线的性质需要指定(例如，二项式)，但是你怎么做到的呢？这将是手工和探索性的？像AIC这样的信息规范似乎已经被利用了，但我认为它的本质还需要某种程度的具体说明。
我一
浏览 0提问于2022-04-18得票数 0
回答已采纳
我的理解是：
在回归树中:每片叶子的目标值计算为训练期间到达该叶的实例的目标值的平均值。
在模型树中:每个叶的值是一个线性函数，它使用特征的子集，通过对在训练期间到达该叶的实例执行线性回归来确定。
是科学工具中的tree.DecisionTreeRegressor -学习回归树还是模型树
浏览 11提问于2014-06-02得票数 2
回答已采纳
我用基于RBF核的支持向量机回归训练了一个模型。我想知道对于基于RBF核的支持向量机来说，哪些特征是非常重要的或主要的贡献特征。我知道有一种方法可以根据向量的大小来确定线性支持向量回归的最重要的特征。然而，对于基于RBF核的支持向量机，由于特征被转换到一个新的空间，我不知道如何提取最有贡献的特征。我正在使用python中的scikit-learn。有没有一种方法可以在基于RBF核的支持向量回归或非线性支持向量回归中提取最有贡献的特征？
from sklearn import svm
svm = svm.SVC(gamma=0.001, C=100., kernel = 'linear&
浏览 4提问于2019-11-19得票数 5
2回答
线性回归图解释
、、
我有一个直方图显示一些数据的频率。我有两种类型的文件: Pdbs和Uniprots。每个Uniprot文件都与一定数量的Pdbs相关联。因此，此直方图显示了有多少Uniprot文件与0个Pdb文件、1个Pdb文件、2个Pdb文件... 80个Pdb文件相关联。Y轴处于对数标度中。
我对同一数据集进行了回归，结果如下所示。
下面是我用于回归图的代码：
# Fitting Simple Linear Regression to the Training set
from sklearn.linear_model import LinearRegression
regressor =
浏览 5提问于2019-08-30得票数 0
1回答
我的任务是为一个预测问题(输入参数有数字和分类变量的组合)建立一个多元线性回归模型。 如果我使用人工神经网络(ANN)来构建一个进行预测的模型，这是多元线性回归模型还是深度学习模型？如果我可以使用ann来构建多元线性回归模型，我会感到困惑。
浏览 47提问于2019-01-24得票数 0
回答已采纳
我无法想象我必须在多功能数据中观察到什么样的“趋势”，才能说'Logistic回归在这里会很好‘。
例如，如果我只有一个特性，如果数据类似，所有负数据都是0类，所有正数据都是1类，那么我可以清楚地说，Logistic回归在这里工作得很好。
那么，我需要对数据进行什么样的“分析”(多功能)才能决定Logistic回归是否有效？
浏览 0提问于2020-07-19得票数 1
回答已采纳
我想知道是否可以使用dylm或lm函数来回归，例如，每月变量的季度。当我尝试这样做时，lm函数指出变量长度不同。他们当然会这么做。有没有办法在不执行手动线性回归的情况下绕过这个问题？ 示例： yt1 = rnorm(10, mean =10, sd = 1)
xt1 = rnorm(40, mean = 1,sd = 1)
lm(yt1 ~ xt1) 并产生以下错误。 Error in model.frame.default(formula = yt1 ~ xt1, drop.unused.levels = TRUE) :
variable lengths differ (found
浏览 60提问于2021-06-12得票数 0
1回答
但是，当我选择线性或Logistic回归时，我还没有明确的概念。
另外，我什么时候可以说线性或logistic回归表现更好？
特别是，我想知道什么时候应该选择线性回归，什么时候选择Logistic回归？
浏览 0提问于2015-12-13得票数 4
2回答
我想使用线性回归模型，但我想使用普通最小二乘法，我认为这是一种线性回归。我使用的软件是SPSS。它只有线性回归、偏最小二乘和两阶段最小二乘。我不知道哪一个是普通最小二乘(OLS)。
浏览 4提问于2009-11-22得票数 9
回答已采纳
2回答
如果数据集包含一些特征，其中一些是分类变量，另一些是连续变量，则决策树比线性回归更好，因为树可以根据分类变量准确地划分数据。是否存在线性回归优于随机森林的情况？
浏览 2提问于2018-06-26得票数 3
2回答
在经典统计中，人们通常陈述假定的假设(即数据的正态性和线性，数据的独立性)。但是当我阅读机器学习教科书和教程时，基本的假设并不总是明确或完整的表述。对于二进制分类，以下ML分类器的主要假设是什么，哪些假设不那么重要，哪些必须严格维护？
Logistic回归
支持向量机(线性和非线性核)
决策树
浏览 5提问于2016-02-16得票数 7
如果我有100个班级要预测，如果我可以使用线性回归，能否请一些帮助我理解。要预测的calue在本质上是离散的，比如1到100。 如何判断线性回归是否优于逻辑回归？ 感谢您的帮助。
浏览 21提问于2020-06-12得票数 1
回答已采纳
我在做数据拟合。我需要一个表面。我用了两种方法。
1)双变量多项式回归。(线性/ OSL)和2)二次模型a_x^2+b_x+c。
我的问题是，我可以使用二次模型ax^2+bx+c进行非线性回归使用levenberg。因为我已经实现了
浏览 1提问于2017-04-13得票数 0
1回答
人们应该如何决定使用线性回归模型还是非线性回归模型？
我的目标是预测Y。
对于简单的x和y数据集，我可以很容易地通过绘制散点图来决定应该使用哪种回归模型。
在x1，x2，.，xn和y等多变量的情况下.我如何决定必须使用哪一种回归模型？也就是说，如何决定采用简单的线性模型或非线性模型，如二次型、三次型等。
是否有任何技术、统计方法或图解来推断和决定必须使用哪一种回归模型？请给我建议。
浏览 4提问于2015-02-06得票数 3
我是机器学习的初学者，我研究过模型的预测变量之间的共线性是一个很大的问题，因为它会导致不可预测的模型行为和一个很大的错误。但是，是否有一些模型(比如GLM)与经典的线性回归不同，可能是“好的”共线性模型？传统的线性回归假设其自变量之间没有相关性。
之所以会出现这个问题，是因为我做了一个项目：“如果输入特性是相互关联的，那么最好使用广义线性模型，因为它们的性能要比线性回归好。”
有人能解释一下吗？
浏览 0提问于2020-06-20得票数 2
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM活动推荐
腾讯云开发者
