最小化损失函数
在本练习中，您将使用 scipy.optimize.minimize 从零实现一次线性回归。
我们将使用 Boston 房价数据集来训练模型，数据已加载到变量 X 和 y 中。为简化起见，我们不会在回归模型中加入截距项。
本练习是课程的一部分
Python 中的线性分类器
练习说明
- 补全最小二乘线性回归的损失函数。
- 打印使用 sklearn 的
LinearRegression拟合得到的系数。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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(____)