Minimização de uma função de perda
Neste exercício, você implementará a regressão linear "do zero" usando o site scipy.optimize.minimize.
Treinaremos um modelo no conjunto de dados de preços de imóveis residenciais de Boston, que já está carregado nas variáveis X e y. Para simplificar, não incluiremos um intercepto em nosso modelo de regressão.
Este exercício faz parte do curso
Classificadores lineares em Python
Instruções de exercício
- Preencha a função de perda para regressão linear de mínimos quadrados.
- Imprima os coeficientes do ajuste do sklearn
LinearRegression.
Exercício interativo prático
Experimente este exercício preenchendo este código de exemplo.
# 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(____)