广义线性模型# 有关 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 随机梯度下降的提前停止 随机梯度下降的提前停止 使用预先计算的 Gram 矩阵和加权样本拟合弹性网络 使用预先计算的 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 与 Ridge 在具有强异常值的数据集上比较 HuberRegressor 与 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 基于 L1 的稀疏信号模型 基于 L1 的稀疏信号模型 Lasso 和弹性网络 Lasso 和弹性网络 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的 Lasso 在密集和稀疏数据上的 Lasso 使用 LARS 的 Lasso 路径 使用 LARS 的 Lasso 路径 线性回归示例 线性回归示例 逻辑回归三分类器 逻辑回归三分类器 逻辑函数 逻辑函数 使用多项式逻辑 + L1 进行 MNIST 分类 使用多项式逻辑 + L1 进行 MNIST 分类 20newgroups 上的多类稀疏逻辑回归 20newgroups 上的多类稀疏逻辑回归 非负最小二乘法 非负最小二乘法 单类 SVM 与使用随机梯度下降的单类 SVM 单类 SVM 与使用随机梯度下降的单类 SVM 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 在鸢尾花数据集上绘制多类 SGD 在鸢尾花数据集上绘制多类 SGD 绘制多项式和一对多逻辑回归 绘制多项式和一对多逻辑回归 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：最大间隔超平面 SGD：最大间隔超平面 SGD：惩罚 SGD：惩罚 SGD：加权样本 SGD：加权样本 SGD：凸损失函数 SGD：凸损失函数 稀疏性示例：仅拟合特征 1 和 2 稀疏性示例：仅拟合特征 1 和 2 泰尔森回归 泰尔森回归 保险索赔的 Tweedie 回归 保险索赔的 Tweedie 回归
