多项式时间

目录 多项式回归 一、多项式回归 二、scikit-learn中的多项式回归 三、关于PolynomialFeatures 四、sklearn中的Pipeline 五、过拟合和欠拟合 六、解决过拟合问题 七、透过学习曲线看过拟合 我是尾巴 多项式回归 直线回归研究的是一个依变量与一个自变量之间的回归问题。 研究一个因变量与一个或多个自变量间多项式的回归分析方法，称为多项式回归（Polynomial Regression）多项式回归模型是线性回归模型的一种。 多项式回归问题可以通过变量转换化为多元线性回归问题来解决。 一、多项式回归 import numpy as np import matplotlib.pyplot as plt x = np.random.uniform(-3, 3, size=100) X = x.reshape(-1, 1) y = 0.5 + x**2 + x + 2 + np.random.normal(0, 1, size=100) plt.scatter(x, y) plt.show() 如果直接使用线性回归，看一下效果： from sklearn.linear_model import LinearRegression lin_reg = LinearRegression() lin_reg.fit(X, y) y_predict = lin

那传说中的P、NP以及NPC问题 （这里只是自己的一些总结） 在讲这几个问题之前，有几个东西是必须要说的，包括时间复杂度、空间复杂度、图灵机什么的。那么我们就慢慢来一一说来。 图灵机： 图灵机其实就是一个计算模型，是由图灵提出来的。图灵机号称可以模拟实际计算机的所有计算行为，计算能力还超过现有的计算机。但是还是有图灵机无法做到的事情，就好像计算机并不能处理所有的事情一样。 定义： 1）有一个无限长的带子作为无限存储。 2）有一个读写头，能在带子上读、写和左右移动。 3）有一套控制规则，根据当前机器所处的状态以及当前读写头所指的格子符号来确定下一步的动作，另机器进入一个新的状态。 4）一个状态寄存器，用来保存图灵机当前所处的状态。 工作方式： 在图灵机的计算过程中，当前状态、当前带内容和读写头当前位置组合一起称为图灵机的格局。包括起始格局、接受格局、拒绝格局。 图灵机读取纸袋上的内容，结合读写头的当前状态，根据一组控制规则决定下一步的动作。可以认为这是一台理想的，能够处理所有的“人类计算”。 我们可以想象，一个问题如果在理论上是可解的，但是计算它所需要的时间和空间的资源是我们无法承受的，那么这个问题对我们来说就是没有用的。当然这里说明一个问题是否理论上可解，用到图灵机什么的一箩筐东西，这里就不说明这些问题。 时间复杂度： 对于一个算法的时间复杂度一般采用大O表示