ridge回歸的損失函式：
j(θ)=1/2 (xθ-y)t (xθ-y) +1/2 α||θ||²2
對於演算法的實現，一般先確定模型，然後根據模型確定目標函式。而機器學習的實現基礎是資料，對資料的處理分析必不可少，演算法實現後還需對模型評估對比。
設定線性回歸模型如下：
pe=θ0+θ1∗at+θ2∗v+θ3∗ap+θ4∗rh
資料的讀取以及資料集的劃分
import matplotlib.pyplot as plt
%matplotlib inline
import pandas as pd
import numpy as np
from sklearn import datasets，linear_model
data=pd.read_csv('...\data.csv')
x=data[['at','v','ap','rh']]
y=data[['pe']]
#劃分資料集
from sklearn.cross_validation import train_test_split
x_train ,x_test,y_train,y_test=train_test_split(x,y,random_state=1)
from sklearn.cross_model import ridge
ridge=ridge(alpha=1）
ridge.fit(x_train,y_train)
#超引數的設定對結果影響比較大，我們先設為1，觀察結果
print ridge.coef_
print ridge.intercept_
from sklearn.linear_model import ridgecv
ridgecv=ridgecv(alphas=[0.01,0.1,0.5,1,3,5,7,10,20,100])
ridgecv.fit(x_train,y_train)
ridgecv.alpha_
# 得到最優超引數
#研究超引數與回歸係數θ的關係
x=1./(np.arange(1,11)+np.arrage(0,10)[:,np,newaxis])
y=np.ones(10)
#說實話，矩陣很多東西我還不是很明白，x，y的構造不是很明白
n_alphas=200
#設定200個超引數
alphas=pd.logspace(-10,-2,n_alphas)
#超引數在10的-10次方和10的-2次方中取值
clf= linear_model.ridge(fit_intercept=false)
coefs =
for a in alphas:
clf.set_params(alpha=a)
clf.fit(x, y)
#用圖形標識
ax = plt.gca()
ax.plot(alphas, coefs)
ax.set_xscale('log')
#翻轉x軸的大小方向，讓alpha從大到小顯示
ax.set_xlim(ax.get_xlim()[::-1])
plt.xlabel('alpha')
plt.ylabel('weights')
plt.title('ridge coefficients as a function of the regularization')
plt.axis('tight')
#座標軸適應資料
plt.show()
Kettle Kitchen和Pan的命令列引數
引數語法 name value 引數以斜線 或者橫線 開頭，後面跟引數名稱。大部分引數後面都要有引數值。引數和引數值之間用冒號 或者 連線，引數值裡面如果有空格，引數值必須用單引號或雙引號引起來。kitchen和pan共有的引數如下 引數名引數含義 作用norep rep資源庫名稱 要連線的資源庫名...
Kettle中pan和kitchen使用
kettle 命令列使用說明 1.kitchen 作業執行器 是乙個作業執行引擎，用來執行作業。這是乙個命令列執行工具，引數說明如下 1 rep repositoryname 任務包所在儲存名 2 user repositoryusername 執行人 3 pass repositorypasswo...
kettle 中kitchen和pan的使用
kettle中有四個主要的部件分別是作業 轉換 步驟 跳。其中作業和轉換能夠相互呼叫執行。每乙個轉換中的乙個執行單元叫做步驟，連線步驟之間的線叫做跳。在linux中我們通常使用kitchen和pan執行作業和轉換。kitchen用來執行作業，pan用來執行轉換。具體語法如下 kitchen.sh f...