线性回归是机器学习中的基础算法之一,属于监督学习中的回归问题,算法的关键在于如何最小化代价函数,通常使用梯度下降或者正规方程(最小二乘法),在这里对算法原理不过多赘述,建议看吴恩达发布在斯坦福大学上的课程进行入门学习。
这里主要使用python的sklearn实现一个简单的单变量线性回归。
sklearn对机器学习方法封装的十分好,基本使用fit,predict,score,来训练,预测,评价模型,
一个简单的事例如下:
from pandas import DataFrame
from pa
distfit-概率密度拟合
Star it if you like it!
背景
distfit是一个python软件包,用于通过残差平方和(RSS)和假设检验将89个单变量分布与非审查数据进行概率密度拟合。概率密度拟合是将概率分布拟合到与重复测量可变现象有关的一系列数据。 distfit根据经验分布对89个不同分布中的每一个进行拟合,并返回最佳得分分布。
功能性
distfit库是使用类创建的,以确保使用的简便性。
# Import library
from distfit import