Algoritmus lineární regrese

Aby sis lineární regresi opravdu zažil/a, je užitečné pochopit, jak algoritmus funguje. Kód funkce ols() má stovky řádků, protože musí zvládnout libovolný vzorec i libovolný dataset. V případě jednoduché lineární regrese pro konkrétní dataset ale dokážeš celý algoritmus napsat jen v několika řádcích.

Postup je následující:

Nejprve napiš funkci pro výpočet součtu čtverců s použitím této obecné syntaxe:

def function_name(args):
  # some calculations with the args
  return outcome

Poté pomocí funkce minimize() z knihovny scipy najdi koeficienty, které tuto funkci minimalizují.

Vysvětlující hodnoty (sloupec n_convenience datasetu taiwan_real_estate) jsou dostupné jako x_actual. Odezvy (sloupec price_twd_msq datasetu taiwan_real_estate) jsou dostupné jako y_actual.

Funkce minimize() je také načtena.

Toto cvičení je součástí kurzu

Intermediate Regression with statsmodels in Python

Zobrazit kurz

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Complete the function
def calc_sum_of_squares(coeffs):
    # Unpack coeffs
    ____, ____ = ____
    # Calculate predicted y-values
    y_pred = ____ + ____ * ____
    # Calculate differences between y_pred and y_actual
    y_diff = ____ - ____
    # Calculate sum of squares
    sum_sq = ____
    # Return sum of squares
    return sum_sq
  
# Test the function with intercept 10 and slope 1
print(calc_sum_of_squares([10, 1]))

Upravit a spustit kód