Regresja liniowa: ćwiczenie dotyczące parametrów
Zadbaj o dobrą organizację dzięki kolekcji
Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.
Poniższy wykres przedstawia 20 przykładów ze zbioru danych dotyczących zużycia paliwa. Na osi X znajduje się cecha (masa samochodu w tysiącach funtów), a na osi Y – etykieta (mile na galon).
Twoje zadanie: dostosuj suwaki Waga i Odchylenie nad wykresem, aby znaleźć model liniowy, który minimalizuje błąd średniokwadratowy w przypadku danych.
Pytania do rozważenia:
- Jaką najmniejszą wartość MSE możesz osiągnąć?
- Jakie wartości wag i odchyleń spowodowały tę stratę?
Kliknij ikonę plusa, aby zobaczyć rozwiązanie.
Optymalny model liniowy dla tych danych ma błąd średniokwadratowy wynoszący 3,37, wagę –0,12 i odchylenie 16,96, co widać na poniższym obrazie.
O ile nie stwierdzono inaczej, treść tej strony jest objęta licencją Creative Commons – uznanie autorstwa 4.0, a fragmenty kodu są dostępne na licencji Apache 2.0. Szczegółowe informacje na ten temat zawierają zasady dotyczące witryny Google Developers. Java jest zastrzeżonym znakiem towarowym firmy Oracle i jej podmiotów stowarzyszonych.
Ostatnia aktualizacja: 2025-07-09 UTC.
[null,null,["Ostatnia aktualizacja: 2025-07-09 UTC."],[],[],null,["# Linear regression: Parameters exercise\n\nThe graph below plots 20 examples from a fuel-efficiency dataset, with the\nfeature (car heaviness in thousands of pounds) plotted on the x-axis and the\nlabel (miles per gallon) plotted on the y-axis.\n\n**Your task:** Adjust the **Weight** and **Bias** sliders above the graph to\nfind the linear model that minimizes MSE loss on the data.\n\n**Questions to consider:**\n\n- What is the lowest MSE you can achieve?\n- What weight and bias values produced this loss?\n\n#### Click the plus icon to see the solution\n\nThe optimal linear model for this data has an MSE of 3.37, with a\nweight of --0.12 and a bias of 16.96, as shown in the following image."]]
