机器学习算法基础学习总结2.基本算法 2.1 Logistic回归 优点:计算代价不高,易于理解和实现。 缺点:容易欠拟合,分类精度可能不高 适用数据类型:数值型和标称型数据。 类别:分类算法。 试用场景:解决二分类问题。 简述: Logistic回归算法基于 Sigmoid函数,或者说 Sigmoid就是逻辑回归函数。 Sigmoid函数定义如下:1/(1-exp(-z))。函数值域范围(0,1)。可以用来做分 类器。 Sigmoid函数的函数曲线如下: 逻辑凹归模型分解如下:(1)首先将不同

非线性规划(Nonlinear Programming，简记为NP)研究的对象是非线性函数的数值最优化问题，是运筹学的最重要分支之一，20世纪50年代形成一门学科，其理论和应用发展十分迅猛，随着计算机的发展，非线性规划应用越来越广泛，针对不同的问题提出了特别的算法，到目前为止还没有适合于各种非线性规划问题的一般算法，有待人们进一步研究.

针对现有分布式发电选址定容模型存在的维度高、寻优困难、求解时间长等问题，提出一种基于潮流线性化的分布式发电选址定容方法。在实际配电网运行场景的基础上，综合考虑多利益主体竞争关系，建立计及风光投资商竞争关系的分布式发电选址定容双层规划模型；计及配电网参数特性，利用二阶锥松弛法针对模型非凸潮流约束进行凸松弛，进而将二阶锥非线性形式进行线性化近似，通过卡罗需-库恩-塔克(KKT)条件将下层模型等效转化为上层约束条件，最终将原模型转化为一个多目标线性数学规划模型，极大降低原始模型的求解复杂度。基于某乡镇