Мінімізація функції втрат

У цій вправі ви реалізуєте лінійну регресію «з нуля», використовуючи scipy.optimize.minimize.

Ми натренуємо модель на наборі даних про ціни на житло в Бостоні, який уже завантажено у змінні X та y. Для простоти ми не включатимемо вільний член у нашу модель регресії.

Ця вправа є частиною курсу

Лінійні класифікатори в Python

Переглянути курс

Інструкції до вправи

Заповніть функцію втрат для лінійної регресії методом найменших квадратів.
Виведіть коефіцієнти, отримані під час навчання LinearRegression зі sklearn.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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(____)

Редагувати та запускати код