Minimalizace ztrátové funkce

V tomto cvičení si implementuješ lineární regresi „od základů" pomocí scipy.optimize.minimize.

Model natrénujeme na datové sadě cen bydlení v Bostonu, která je už načtena do proměnných X a y. Pro jednoduchost intercept do regresního modelu nezahrneme.

Toto cvičení je součástí kurzu

Linear Classifiers in Python

Zobrazit kurz

Pokyny k cvičení

Doplň ztrátovou funkci pro lineární regresi metodou nejmenších čtverců.
Vypiš koeficienty získané fitováním LinearRegression ze scikit-learn.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# The squared error, summed over training examples
def my_loss(w):
    s = 0
    for i in range(y.size):
        # Get the true and predicted target values for example 'i'
        y_i_true = y[i]
        y_i_pred = w@X[i]
        s = s + (____)**2
    return s

# Returns the w that makes my_loss(w) smallest
w_fit = minimize(my_loss, X[0]).x
print(w_fit)

# Compare with scikit-learn's LinearRegression coefficients
lr = LinearRegression(fit_intercept=False).fit(X,y)
print(____)

Upravit a spustit kód