Minimalizowanie funkcji straty
W tym ćwiczeniu zaimplementujesz regresję liniową „od zera" przy użyciu scipy.optimize.minimize.
Wytrenujemy model na zbiorze danych cen mieszkań w Bostonie, który jest już wczytany do zmiennych X i y. Dla uproszczenia nie uwzględnimy wyrazu wolnego w modelu regresji.
To ćwiczenie jest częścią kursu
Liniowe klasyfikatory w Pythonie
Instrukcje do ćwiczenia
- Uzupełnij funkcję straty dla regresji liniowej metodą najmniejszych kwadratów.
- Wyświetl współczynniki uzyskane przez dopasowanie
LinearRegressionz biblioteki scikit-learn.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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(____)