回歸演算法的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括賽程、直播線上看和比分戰績懶人包

機器學習實戰：使用R、tidyverse和mlr

為了解決回歸演算法的問題，作者（英）赫芬·I.里斯 這樣論述：

本書將使用RStudio和非常棒的mlr套裝程式開啟你的機器學習之旅。這本實用指南簡化了理論,避免了不必要的複雜統計和數學知識,所有核心的機器學習技術都通過圖形和易於掌握的示例進行清晰的解釋。每一章的內容都十分引人入勝，你將掌握如何把新的演算法付諸實踐，以解決各種預測分析問題，包括泰坦尼克沉船事件中不同乘客的倖存概率、垃圾郵件過濾、毒酒事件調查等。 Hefin I. Rhys是一位元有著8年教授R語言、統計學和機器學習經驗的生命科學家和細胞學家。他將自己的統計學/機器學習知識貢獻給多項學術研究，並熱衷於講授統計學、機器學習和資料視覺化方面的課程。 第Ⅰ部

分  簡介 第1章  機器學習介紹   2 1.1  機器學習的概念   3 1.1.1  人工智慧和機器學習   4 1.1.2  模型和演算法的區別   5 1.2  機器學習演算法的分類   7 1.2.1  監督、無監督和半監督機器學習演算法的區別   7 1.2.2  分類、回歸、降維和聚類演算法   9 1.2.3  深度學習簡介   11 1.3  關於機器學習道德影響的思考   12 1.4  使用R語言進行機器學習的原因   13 1.5  使用哪些資料集   13 1.6  從本書可以學到什麼   13 1.7  本章小結   14 第2章  使用tidyverse整理、操

作和繪製資料   15 2.1  tidyverse和整潔資料的概念   15 2.2  載入tidyverse   17 2.3  tibble套裝程式及其功能介紹   17 2.3.1  創建tibble   18 2.3.2  將現有資料框轉換為tibble   18 2.3.3  數據框和tibble的區別   19 2.4  dplyr套裝程式及其功能介紹   21 2.4.1  使用dplyr操作CO2資料集   21 2.4.2  連結dplyr函數   25 2.5  ggplot2套裝程式及其功能介紹   26 2.6  tidyr套裝程式及其功能介紹   29 2.7  p

urrr套裝程式及其功能介紹   32 2.7.1  使用map()函數替換 for迴圈   33 2.7.2  返回原子向量而非列表   34 2.7.3  在map()系列函數中使用匿名函數   35 2.7.4  使用walk()產生函數的副作用   35 2.7.5  同時遍歷多個列表   37 2.8  本章小結   38 2.9  練習題答案   38 第Ⅱ部分  分類演算法 第3章  基於相似性的k近鄰分類   42 3.1  k近鄰演算法的概念   42 3.1.1  如何學習k近鄰演算法   42 3.1.2  如果票數相等，會出現什麼情況   44 3.2  建立個kNN

模型   45 3.2.1  載入和研究糖尿病資料集   45 3.2.2  運用mlr訓練個kNN模型   47 3.2.3  mlr想要實現的目標：定義任務   47 3.2.4  告訴mlr使用哪種演算法：定義學習器   48 3.2.5  綜合使用任務和學習器：訓練模型   49 3.3  平衡模型誤差的兩個來源：偏差-方差權衡   51 3.4  運用交叉驗證判斷是否過擬合或欠擬合   52 3.5  交叉驗證kNN模型   53 3.5.1  留出法交叉驗證   53 3.5.2  k-折法交叉驗證   55 3.5.3  留一法交叉驗證   57 3.6  演算法將要學習的內容以

及它們必須知道的內容：參數和超參數   59 3.7  調節k值以改進模型   60 3.7.1  在交叉驗證中調整超參數   61 3.7.2  使用模型進行預測   63 3.8  kNN演算法的優缺點   64 3.9  本章小結   64 3.10  練習題答案   65 第4章  對數幾率回歸分類   67 4.1  什麼是對數幾率回歸   67 4.1.1  對數幾率回歸是如何學習模型的   68 4.1.2  當有兩個以上的類別時，該怎麼辦   73 4.2  建立個對數幾率回歸模型   74 4.2.1  載入和研究titanic資料集   75 4.2.2  充分利用資料：特

徵工程與特徵選擇   75 4.2.3  數據視覺化   77 4.2.4  訓練模型   80 4.2.5  處理缺失資料   80 4.2.6  訓練模型(使用缺失值插補方法)   81 4.3  交叉驗證對數幾率回歸模型   81 4.3.1  包含缺失值插補的交叉驗證   81 4.3.2  準確率是重要的性能度量指標嗎   82 4.4  理解模型：幾率比   83 4.4.1  將模型參數轉換為幾率比   83 4.4.2  當一個單位的增長沒有意義時如何理解   84 4.5  使用模型進行預測   84 4.6  對數幾率回歸演算法的優缺點   84 4.7  本章小結   8

5 4.8  練習題答案   85 第5章  基於判別分析的分離方法   88 5.1  什麼是判別分析   88 5.1.1  判別分析是如何學習的   90 5.1.2  如果有兩個以上的類別，應如何處理   92 5.1.3  學習曲線而不是直線：QDA   93 5.1.4  LDA和QDA如何進行預測   93 5.2  構建線性和二次判別模型   95 5.2.1  載入和研究葡萄酒資料集   95 5.2.2  繪製資料圖   96 5.2.3  訓練模型   97 5.3  LDA和QDA演算法的優缺點   100 5.4  本章小結   101 5.5  練習題答案   10

1 第6章  樸素貝葉斯和支援向量機分類演算法   103 6.1  什麼是樸素貝葉斯演算法   104 6.1.1  使用樸素貝葉斯進行分類   105 6.1.2  計算分類和連續預測變數的類條件概率   106 6.2  建立個樸素貝葉斯模型   107 6.2.1  載入和研究HouseVotes84資料集   107 6.2.2  繪製資料圖   108 6.2.3  訓練模型   109 6.3  樸素貝葉斯演算法的優缺點   110 6.4  什麼是支援向量機(SVM)演算法   110 6.4.1  線性可分SVM   111 6.4.2  如果類別不是完全可分的，怎麼辦  

112 6.4.3  非線性可分的SVM   113 6.4.4  SVM演算法的超參數   115 6.4.5  當存在多個類別時，怎麼辦   116 6.5  構建個SVM模型   117 6.5.1  載入和研究垃圾郵件資料集   118 6.5.2  調節超參數   119 6.5.3  訓練模型   122 6.6  交叉驗證SVM模型   123 6.7  SVM演算法的優缺點   124 6.8  本章小結   124 6.9  練習題答案   125 第7章  決策樹分類演算法   127 7.1  什麼是遞迴分區演算法   127 7.1.1  使用基尼增益劃分樹   129

7.1.2  如何處理連續和多級分類預測變數   130 7.1.3  rpart演算法的超參數   132 7.2  構建個決策樹模型   133 7.3  載入和研究zoo資料集   134 7.4  訓練決策樹模型   134 7.5  交叉驗證決策樹模型   139 7.6  決策樹演算法的優缺點   140 7.7  本章小結   140 第8章  使用隨機森林演算法和boosting技術改進決策樹   142 8.1  集成學習技術：bagging、boosting和stacking   142 8.1.1  利用採樣資料訓練模型：bagging   143 8.1.2  從前序

模型的錯誤中進行學習：boosting   144 8.1.3  通過其他模型的預測進行學習：stacking   147 8.2  建立個隨機森林模型   148 8.3  建立個XGBoost模型   150 8.4  隨機森林和XGBoost演算法的優缺點   155 8.5  在演算法之間進行基準測試   155 8.6  本章小結   156 第Ⅲ部分  回歸演算法 第9章  線性回歸   158 9.1  什麼是線性回歸   158 9.1.1  如何處理多個預測變數   160 9.1.2  如何處理分類預測變數   162 9.2  建立個線性回歸模型   163 9.2.1

 載入和研究臭氧資料集   164 9.2.2  插補缺失值   166 9.2.3  自動化特徵選擇   168 9.2.4  在交叉驗證中包含插補和特徵選擇   174 9.2.5  理解模型   175 9.3  線性回歸的優缺點   178 9.4  本章小結   178 9.5  練習題答案   179 第10章  廣義加性模型的非線性回歸   180 10.1  使用多項式項使線性回歸非線性   180 10.2  更大的靈活性：樣條曲線和廣義加性模型   182 10.2.1  GAM如何學習平滑功能   183 10.2.2  GAM如何處理分類變數   184 10.3  

建立個GAM   184 10.4  GAM的優缺點   188 10.5  本章小結   188 10.6  練習題答案   189 第11章  利用嶺回歸、LASSO回歸和彈性網路控制過擬合   190 11.1  正則化的概念   190 11.2  嶺回歸的概念   191 11.3  L2范數的定義及其在嶺回歸中的應用   193 11.4  L1范數的定義及其在LASSO中的應用   195 11.5  彈性網路的定義   197 11.6  建立嶺回歸、LASSO和彈性網路模型   198 11.6.1  載入和研究Iowa資料集   199 11.6.2  訓練嶺回歸模型  

200 11.6.3  訓練LASSO模型   205 11.6.4  訓練彈性網路模型   208 11.7  對嶺回歸、LASSO、彈性網路和OLS進行基準測試並對比   210 11.8  嶺回歸、LASSO和彈性網路的優缺點   211 11.9  本章小結   212 11.10  練習題答案   212 第12章  使用kNN、隨機森林和XGBoost進行回歸   215 12.1  使用kNN演算法預測連續變數   215 12.2  使用基於決策樹的演算法預測連續變數   217 12.3  建立個kNN回歸模型   219 12.3.1  載入和研究燃料資料集   220 1

2.3.2  調節超參數k   224 12.4  建立個隨機森林回歸模型   226 12.5  建立個XGBoost回歸模型   227 12.6  對kNN、隨機森林和XGBoost模型的構建過程進行基準測試   229 12.7  kNN、隨機森林和XGBoost演算法的優缺點   230 12.8  本章小結   230 12.9  練習題答案   231 第Ⅳ部分  降維演算法 第13章  化方差的主成分分析法   234 13.1  降維的目的   234 13.1.1  視覺化高維數據   235 13.1.2  維數災難的後果   235 13.1.3  共線性的後果  

235 13.1.4  使用降維減輕維數災難和共線性的影響   236 13.2  主成分分析的概念   236 13.3  構建個PCA模型   240 13.3.1  載入和研究鈔票資料集   240 13.3.2  執行PA   242 13.3.3  繪製PCA結果   243 13.3.4  計算新資料的成分得分   246 13.4  PCA的優缺點   247 13.5  本章小結   247 13.6  練習題答案   247 第14章  化t-SNE和UMAP的相似性   249 14.1  t-SNE的含義   249 14.2  建立個t-SNE模型   253 14.2

.1  執行t-SNE   253 14.2.2  繪製t-SNE結果   255 14.3  UMAP的含義   256 14.4  建立個UMAP模型   258 14.4.1  執行UMAP   258 14.4.2  繪製UMAP結果   260 14.4.3  計算新資料的UMAP嵌入   261 14.5  t-SNE和UMAP的優缺點   261 14.6  本章小結   261 14.7  練習題答案   262 第15章  自組織映射和局部線性嵌入   263 15.1  先決條件：節點網格和流形   263 15.2  自組織映射的概念   264 15.2.1  創建節點

網格   265 15.2.2  隨機分配權重，並將樣本放在節點上   266 15.2.3  更新節點權重以更好地匹配節點內部樣本   267 15.3  建立個SOM   268 15.3.1  載入和研究跳蚤資料集   269 15.3.2  訓練SOM   270 15.3.3  繪製SOM結果   272 15.3.4  將新資料映射到SOM   275 15.4  局部線性嵌入的概念   277 15.5  建立個LLE   278 15.5.1  載入和研究S曲線資料集   278 15.5.2  訓練LLE   280 15.5.3  繪製LLE結果   281 15.6  建

立跳蚤資料集的LLE   282 15.7  SOM和LLE的優缺點   283 15.8  本章小結   284 15.9  練習題答案   284 第Ⅴ部分  聚類演算法 第16章  使用k-均值演算法尋找中心聚類   288 16.1  k-均值演算法的定義   288 16.1.1  Lloyd 演算法   289 16.1.2  MacQueen演算法   290 16.1.3  Hartigan-演算法   291 16.2  建立個k-均值演算法 模型   292 16.2.1  載入和研究GvHD資料集   292 16.2.2  定義任務和學習器   294 16.2.3

 選擇聚類的數量   295 16.2.4  調節k值和選擇k-均值演算法   298 16.2.5  訓練終的、調節後的k-均值演算法模型   301 16.2.6  使用模型預測新資料的聚類   303 16.3  k-均值演算法的優缺點   304 16.4  本章小結   304 16.5  練習題答案   304 第17章  層次聚類   306 17.1  什麼是層次聚類   306 17.1.1  聚合層次聚類   309 17.1.2  分裂層次聚類   310 17.2  建立個聚合層次聚類模型   311 17.2.1  選擇聚類數量   312 17.2.2  切割樹狀圖

以選擇平坦的聚類集合   317 17.3  聚類穩定嗎   318 17.4  層次聚類的優缺點   320 17.5  本章小結   320 17.6  練習題答案   320 第18章  基於密度的聚類：DBSCAN和OPTICS   323 18.1  基於密度的聚類的定義   323 18.1.1  DBSCAN演算法是如何學習的   324 18.1.2  OPTICS演算法是如何學習的   326 18.2  建立DBSCAN模型   331 18.2.1  載入和研究banknote資料集   331 18.2.2  調節ε和minPts超參數   332 18.3  建立OP

TICS模型   343 18.4  基於密度的聚類的優缺點   345 18.5  本章小結   346 18.6  練習題答案   346 第19章  基於混合建模的分佈聚類   348 19.1  混合模型聚類的概念   348 19.1.1  使用EM演算法計算概率   349 19.1.2  EM演算法的期望和化步驟   350 19.1.3  如何處理多個變數   351 19.2  建立個用於聚類的高斯混合模型   353 19.3  混合模型聚類的優缺點   356 19.4  本章小結   357 19.5  練習題答案   357 第20章  終筆記和進一步閱讀   359

20.1  簡要回顧機器學習概念   359 20.1.1  監督機器學習、無監督機器學習和半監督機器學習   360 20.1.2  用於平衡模型性能的偏差-方差平衡   362 20.1.3  使用模型驗證判斷過擬合/欠擬合   362 20.1.4  在超參數調節下化模型性能   364 20.1.5  使用缺失值插補處理缺失資料   365 20.1.6  特徵工程和特徵選擇   365 20.1.7  通過集成學習技術提高模型性能   366 20.1.8  使用正則化防止過擬合   366 20.2  學完本書後，還可以學習哪些內容   367 20.2.1  深度學習   36

7 20.2.2  強化學習   367 20.2.3  通用R資料科學和tidyverse   367 20.2.4  mlr教程以及創建新的學習器/性能度量   367 20.2.5  廣義加性模型   367 20.2.6  集成方法   368 20.2.7  支持向量機   368 20.2.8  異常檢測   368 20.2.9  時間序列預測   368 20.2.10  聚類   368 20.2.11  廣義線性模型   368 20.2.12  半監督機器學習   369 20.2.13  建模光譜數據   369 20.3  結語   369 附錄  複習統計學概念  

370

回歸演算法進入發燒排行的影片

數據分布於核嶺回歸模型對晶圓級封裝之可靠度預估研究

為了解決回歸演算法的問題，作者蘇清華 這樣論述：

伴隨著人類對電子產品日益增長的需求，電子封裝逐漸向著微型化、高密度的方向發展。本篇論文所探討的晶圓級尺寸封裝(Wafer Level Chip Scale Package, WLPCSP)，其最顯著的特點就在於能夠有效減小封裝的體積。WLSCP自2000年以來經過長遠而迅速的發展,便成為了目前市場上主流的電子封裝形式之一。有別於早期傳統封裝技術，其基本的工藝思路是直接在晶圓上進行封裝製程，最後切割晶圓直接得到封裝成品。電子封裝的可靠性評估便是本篇論文的研究目的。對於WLCSP，晶片通過錫球和基板進行連接，在實際工作期間需要經受一定週期的高低溫溫度循環，器件中不同材料間的熱膨脹係數(CTE)的

失配導致錫球產生了一定的熱應力和熱應變，造成了應變能的積累，最終導致了封裝的失效。所以說，錫球的熱-機械可靠性對封裝可靠度評估的影響尤為顯著。傳統封裝可靠性評估的重要手段之一便是熱循環負載測試(Thermal cyclic test, TCT)，但由於每一次的熱循環負載測試會花費數月之久，從而大大增加時間成本，降低產品研發速率，不利於產品的市場化競爭。為了降低時間成本，一般會於封裝研發過程中採用有限單元模擬的方法來代替TCT。雖然有限單元法(FEM)相較於傳統TCT大大地降低了時間成本，但是另一方面FEM並沒有傳統實驗方法統一規定的流程，不同研究人員由於其自身能力以及建模思路和側重不同，造成相

當程度上的模擬誤差。為解決這一問題，並進一步減少FEM中建模與驗證的時間成本，本論文研究利用核嶺回歸（KRR）機器學習演算法，對晶圓級尺寸封裝進行可靠度評估。同時進一步用聚類（Cluster）算法解決在大規模數據集下，KRR機器學習演算法的CPU時間成本問題

股票發大財：用Python預測玩轉股市高手精解

為了解決回歸演算法的問題，作者胡書敏 這樣論述：

預測股票之夢，雖遠但非遙不可及。 想成為股市贏家不是會看盤，而是要先會Python！ K線、均線自己畫，資料自己爬，賺錢一大把！ 　　全書分為三篇： 　　基礎篇（第1~4章）：說明Python開發環境的架設、基本語法、資料結構、程式的偵錯以及物件導向的程式設計思想。 　　股票指標技術分析篇（第5~10章）：分別說明使用網路爬蟲技術取得股票資料、使用Matplotlib視覺化元件、基於NumPy和Pandas函數庫進行大數據分析、以股票的不同指標分析為範例的開發方法—MACD + Python資料庫程式設計、KDJ + Python圖形化使用者介面程式設計、RSI + Python郵件

程式設計。 　　以股票指標為基礎的交易策略之進階應用篇（第11~13章）：以股票的BIAS指標分析為範例說明Django架構、以股票的OBV指標分析為範例說明在Django中匯入記錄檔和資料庫元件、結合股票指標分析說明以線性回歸和SVM（支援向量機）為基礎的機器學習的入門知識。 　　台股上看兩萬點，台積電領軍，看盤成為全民運動！茫茫股海，每天追大盤，玩個股，但心中就是不放心，資料這麼多，到底資訊在哪裏？股市都是數字，而資料及演算法，都必須靠一個程式語言串起來。Python正是你最好的朋友，上手簡單，功能強大，最重要的是，近來最強的機器學習也是Python的核心。這些都是玩轉股市的基本工具，

本書針對Python零基礎的使用者，主要說明大量的股票指標技術分析的範例，由淺入深地介紹了使用Python語言程式設計開發的應用「圖譜」。  

應用深度神經網路(DNN)於COVID-19死亡風險預測

為了解決回歸演算法的問題，作者陳靖沅 這樣論述：

2019年底中國湖北省首次出現COVID-19案例，因COVID-19傳播的速度相當快，造成全球病例數持續攀升，在被感染的確診者迅速暴增的情況下，醫療資源已遠遠超過負荷。深度神經網路是大數據時代最流行的演算法，本研究運用深度神經網路演算法建構一個COVID-19死亡風險預測模型，並使用10折交叉驗證、ROC曲線、PR曲線及混淆矩陣等指標來做比較，呈現深度神經網路(DNN)演算法之優勢。再利用特徵篩選的方式來過濾特徵，並比較特徵篩選前後之模型效能。本研究實驗發現，深度神經網路(DNN)擁有非常好的預測效能，在評量指標方面，Accuracy(91.31%), TPR(97.47%), F-Mea

sure(91.81%)及PRC面積(92.75%)皆優於Pourhomayoun & Shakibi (2021)學者所提出的人工神經網路(NN)；在以國家分組的模型中也能發現，DNN模型效能明顯優於NN。本研究還使用特徵篩選方式，減少訓練模型所需的特徵數，且模型效能並未有所降低，減少了模型訓練的時間及電腦軟硬體的耗能。本研究期望能幫助醫院或醫療機構在醫療資源缺乏時，將病患進行分類，並幫助醫生預測患者的死亡率，進而讓高風險病患能優先使用醫療資源，避免重症患者因醫療資源缺乏而延誤就醫，也使醫療資源利用最大化。