Minimizando uma função de perda

Neste exercício, você vai implementar uma regressão linear “do zero” usando scipy.optimize.minimize.

Vamos treinar um modelo no conjunto de dados de preços de casas de Boston, que já está carregado nas variáveis X e y. Para simplificar, não vamos incluir um intercepto no nosso modelo de regressão.

Este exercício faz parte do curso

Classificadores Lineares em Python

Ver curso

Instruções do exercício

Preencha a função de perda para a regressão linear de mínimos quadrados.
Imprima os coeficientes ajustando o LinearRegression do sklearn.

Exercício interativo prático

Experimente este exercício completando 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(____)

Editar e executar o código