Минимизация функции потерь

В этом упражнении вы реализуете линейную регрессию «с нуля» с помощью scipy.optimize.minimize.

Мы обучим модель на наборе данных о ценах на жильё в Бостоне, который уже загружен в переменные X и y. Для простоты мы не будем включать свободный член в нашу модель регрессии.

Это упражнение является частью курса

Линейные классификаторы в Python

Посмотреть курс

Инструкции к упражнению

Заполните функцию потерь для линейной регрессии методом наименьших квадратов.
Выведите на экран коэффициенты, полученные при обучении LinearRegression из библиотеки sklearn.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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(____)

Редактировать и запускать код