基础入门

线性回归

1.线性回归-sklearn库官方介绍英文版 作者：开源库 http://scikit-learn.org/stable/supervised_learning.html#supervised-learning

可参照官方教材进行学习，适合有一定英语基础，对sklearn有更深认识。

2.scikit-learn 0.18 中文文档 作者：ApacheCN Apache中文网 http://cwiki.apachecn.org/pages/viewpage.action?pageId=10030181

中文教材，参照上面的英文教材一起学习。

3.线性回归及梯度下降算法 作者：王大宝的CD http://blog.csdn.net/sinat_22594309/article/details/55203609

描述：线性回归部分入门的内容，介绍损失函数的由来，梯度下降法，正则化处理，希望对大家有帮助，也欢迎指教。

4.对线性回归、逻辑回归、各种回归的概念学习 作者：viewcode http://blog.csdn.net/viewcode/article/details/8794401

描述：对具体概念总结的比较清晰，数学推动容易理解，简化了数学学习的难度。

5.Logistic回归 作者：ApacheCN - 学习机器学习群【629470233】 https://github.com/apachecn/MachineLearning/blob/master/docs/5.Logistic%E5%9B%9E%E5%BD%92.md

描述：Logistic 回归虽然名字叫回归，但是它是用来做分类的。其主要思想是: 根据现有数据对分类边界线建立回归公式，以此进行分类。

6.线性回归Linear regression 作者：大饼博士X http://blog.csdn.net/xbinworld/article/details/43919445

描述：开始几篇将详细介绍一下线性回归linear regression，以及加上L1和L2的正则的变化。后面的文章将介绍逻辑回归logistic regression，以及Softmax regression。为什么要先讲这几个方法呢？因为它们是机器学习/深度学习的基石（building block）之一，而且在大量教学视频和教材中反复被提到，所以我也记录一下自己的理解，方便以后翻阅。这三个方法都是有监督的学习方法，线性回归是回归算法，而逻辑回归和softmax本质上是分类算法（从离散的分类目标导出），不过有一些场合下也有混着用的——如果目标输出值的取值范围和logistic的输出取值范围一致。

7.线性回归之——最小二乘法 作者：sbp810050504 http://sbp810050504.blog.51cto.com/2799422/1269572

描述：“最小二乘法”是最优化问题中建立经验公式的一种实现方法。了解它的原理，对于了解“Logistic回归”和“支持向量机的学习”都很有裨益。

8.线性回归-话题精华 作者：知乎收集 https://www.zhihu.com/topic/19650500/top-answers?page=1

描述：在这里会遇到你想知道的答案和知识，不妨进来看看。

9.Stanford机器学习笔记-1.线性回归 作者：llhthinker http://www.cnblogs.com/llhthinker/p/5248586.html

描述：吴恩达大牛系列第一课，很值得一看。

10.线性回归 作者：Duanxx http://blog.csdn.net/daunxx/article/details/51556677

描述：由于模型是线性的，所以在模式识别和机器学习的实际应用中存在非常大的局限性，特别是当输入向量的维度特别高的时候，其局限性就更为明显。但同时，线性模型在数学分析上相对较为简单，进而成为了很多其他的复杂算法的基础。

11.在Python中使用线性回归预测数据 作者：伯乐在线 - HanKai翻译 http://python.jobbole.com/81215/

描述：我想分享我个人的数据挖掘经历。记得在我的数据挖掘引论课程上，教师开始很慢，解释了一些数据挖掘可以应用的领域以及一些基本概念。然后突然地，难度迅速上升。这令我的一些同学感到非常沮丧，被这个课程吓到，终于扼杀了他们对数据挖掘的兴趣。所以我想避免在我的博客文章中这样做。我想让事情更轻松随意。因此我尝试用有趣的例子，来使读者更舒服地学习，而不是感到无聊或被吓到。

12.线性回归 作者：futurehau http://www.cnblogs.com/futurehau/p/6105011.html

描述：回归是监督学习的一个重要问题，回归用于预测输入变量和输出变量之间的关系。回归模型是表示输入变量到输出变量之间映射的函数。回归问题的学习等价于函数拟合：使用一条函数曲线使其很好的拟合已知函数且很好的预测未知数据。 回归问题分为模型的学习和预测两个过程。基于给定的训练数据集构建一个模型，根据新的输入数据预测相应的输出。 回归问题按照输入变量的个数可以分为一元回归和多元回归；按照输入变量和输出变量之间关系的类型，可以分为线性回归和非线性回归。

13.线性回归知识及预测糖尿病实例 作者：Eastmount http://blog.csdn.net/eastmount/article/details/52929765

描述：这是一个糖尿病的数据集，主要包括442行数据，10个属性值，分别是：Age(年龄)、性别(Sex)、Body mass index(体质指数)、Average Blood Pressure(平均血压)、S1~S6一年后疾病级数指标。Target为一年后患疾病的定量指标。

14.回归模型LinearRegression简单分析氧化物数据 作者：Eastmount http://blog.csdn.net/eastmount/article/details/60468818

描述：希望这篇文章对你有所帮助，尤其是刚刚接触数据挖掘以及大数据的同学，这些基础知识真的非常重要。如果文章中存在不足或错误的地方，还请海涵~

进阶文章

视频教程

报告

Github 代码

名人主页