Eine Loss-Funktion minimieren

In dieser Übung implementierst du lineare Regression „from scratch“ mit scipy.optimize.minimize.

Wir trainieren ein Modell auf dem Boston-Housing-Preisdatensatz, der bereits in den Variablen X und y geladen ist. Der Einfachheit halber nehmen wir keinen Achsenabschnitt in das Regressionsmodell auf.

Diese Übung ist Teil des Kurses

Lineare Klassifikatoren in Python

Kurs anzeigen

Anleitung zur Übung

Ergänze die Loss-Funktion für die Kleinste-Quadrate-Lineare-Regression.
Gib die Koeffizienten aus, die beim Fitten von sklearns LinearRegression entstehen.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# 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(____)

Code bearbeiten und ausführen