Minimizar una función de pérdida
En este ejercicio implementará la regresión lineal "desde cero" utilizando scipy.optimize.minimize.
Entrenaremos un modelo con el conjunto de datos sobre el precio de la vivienda en Boston, que ya está cargado en las variables X y y. Para simplificar, no incluiremos un intercepto en nuestro modelo de regresión.
Este ejercicio forma parte del curso
Clasificadores lineales en Python
Instrucciones del ejercicio
- Rellene la función de pérdida para la regresión lineal por mínimos cuadrados.
- Imprima los coeficientes de ajuste de sklearn
LinearRegression.
Ejercicio interactivo práctico
Prueba este ejercicio completando el código de muestra.
# 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(____)