广义线性模型# 关于sklearn.linear_model 模块的示例。 比较线性贝叶斯回归器 比较线性贝叶斯回归器 比较各种在线求解器 比较各种在线求解器 使用贝叶斯岭回归进行曲线拟合 使用贝叶斯岭回归进行曲线拟合 多项式和一对多逻辑回归的决策边界 多项式和一对多逻辑回归的决策边界 随机梯度下降的提前停止 随机梯度下降的提前停止 使用预计算的 Gram 矩阵和加权样本拟合弹性网络 使用预计算的 Gram 矩阵和加权样本拟合弹性网络 在具有强异常值的数据集上比较 HuberRegressor 和 Ridge 在具有强异常值的数据集上比较 HuberRegressor 和 Ridge 使用多任务 Lasso 进行联合特征选择 使用多任务 Lasso 进行联合特征选择 逻辑回归中的 L1 惩罚和稀疏性 逻辑回归中的 L1 惩罚和稀疏性 用于稀疏信号的基于 L1 的模型 用于稀疏信号的基于 L1 的模型 通过信息准则进行 Lasso 模型选择 通过信息准则进行 Lasso 模型选择 Lasso 模型选择：AIC-BIC/交叉验证 Lasso 模型选择：AIC-BIC/交叉验证 在密集和稀疏数据上使用 Lasso 在密集和稀疏数据上使用 Lasso Lasso、Lasso-LARS 和弹性网络路径 Lasso、Lasso-LARS 和弹性网络路径 逻辑函数 逻辑函数 使用多项式逻辑回归 + L1 进行 MNIST 分类 使用多项式逻辑回归 + L1 进行 MNIST 分类 在 20newgroups 上进行多类稀疏逻辑回归 在 20newgroups 上进行多类稀疏逻辑回归 非负最小二乘法 非负最小二乘法 使用随机梯度下降的一类 SVM 与一类 SVM 使用随机梯度下降的一类 SVM 与一类 SVM 普通最小二乘法示例 普通最小二乘法示例 普通最小二乘法和岭回归方差 普通最小二乘法和岭回归方差 正交匹配追踪 正交匹配追踪 绘制岭系数作为正则化的函数 绘制岭系数作为正则化的函数 在 iris 数据集上绘制多类 SGD 在 iris 数据集上绘制多类 SGD 泊松回归和非正态损失 泊松回归和非正态损失 多项式和样条插值 多项式和样条插值 分位数回归 分位数回归 L1 逻辑回归的正则化路径 L1 逻辑回归的正则化路径 岭系数作为 L2 正则化的函数 岭系数作为 L2 正则化的函数 稳健线性估计器拟合 稳健线性估计器拟合 使用 RANSAC 进行稳健线性模型估计 使用 RANSAC 进行稳健线性模型估计 SGD：最大间隔分离超平面 SGD：最大间隔分离超平面 SGD：惩罚项 SGD：惩罚项 SGD：加权样本 SGD：加权样本 SGD：凸损失函数 SGD：凸损失函数 Theil-Sen 回归 Theil-Sen 回归 对保险索赔进行 Tweedie 回归 对保险索赔进行 Tweedie 回归
