在 julia 中使用 Flux.jl 进行线性回归

Question

我正在寻找 MLJLinearModel 的替代方案，用于 Julia 中的线性回归。我读过一些博客，将

flux.jl

描述为执行 ML 任务的更好、更强大的包。但是，我还没有找到专门针对线性回归的详细教程。 请推荐执行此任务的方法或资源，以帮助我详细了解该过程。

Answer 1

我建议使用

GLM

来完成这项工作。举个例子：

using GLM, DataFrames

a, b = 2, 3;
dat = DataFrame(x=1:1000, y=a .* (1:1000) .+ b .+ randn(1000))

ols = lm(@formula(y ~ x), dat)

产生：

StatsModels.TableRegressionModel{LinearModel{GLM.LmResp{Vector{Float64}}, GLM.DensePredChol{Float64, LinearAlgebra.Cholesky{Float64, Matrix{Float64}}}}, Matrix{Float64}}

y ~ 1 + x

Coefficients:
───────────────────────────────────────────────────────────────────────────
               Coef.   Std. Error         t  Pr(>|t|)  Lower 95%  Upper 95%
───────────────────────────────────────────────────────────────────────────
(Intercept)  3.0607   0.0641567       47.71    <1e-99    2.9348     3.1866
x            1.99989  0.000111039  18010.65    <1e-99    1.99967    2.00011
───────────────────────────────────────────────────────────────────────────

你总是可以得到系数：

julia> coef(ols)
2-element Vector{Float64}:
 3.0607023932922464
 1.9998906641774181