Minimizar una función de pérdida

En este ejercicio vas a implementar una regresión lineal «desde cero» usando scipy.optimize.minimize.

Entrenaremos un modelo con el conjunto de datos de precios de viviendas de 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

Ver curso

Instrucciones del ejercicio

Completa la función de pérdida para la regresión lineal de mínimos cuadrados.
Imprime los coeficientes tras ajustar LinearRegression de sklearn.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# 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(____)

Editar y ejecutar código