La regressione lineare è un metodo per trovare la linea retta o l'iperpiano che si adatta meglio a un insieme di punti. Questo modulo esplora in modo intuitivo la regressione lineare prima di gettare le basi di un approccio di machine learning alla regressione lineare.
Scendere in ML
Imparare dai dati
- Esistono molti modi complessi per imparare dai dati
- Ma possiamo iniziare con qualcosa di semplice e familiare
- Iniziare in modo semplice aprirà le porte ad alcuni metodi molto utili
Una comoda funzione di perdita per la regressione
La perdita di 2 per un determinato esempio è chiamata anche errore al quadrato
= Quadrato della differenza tra previsione ed etichetta
= (osservazione - previsione)2
= (y - y')2
Definizione di perdita L2 in un set di dati
$$ L_2Loss = \sum_{(x,y)\in D} (y - prediction(x))^2 $$
\(\sum \text{:We're summing over all examples in the training set.}\) \(D \text{: Sometimes useful to average over all examples,}\) \(\text{so divide by} {\|D\|}.\)