রৈখিক রিগ্রেশন হল সরলরেখা বা হাইপারপ্লেন খুঁজে বের করার একটি পদ্ধতি যা বিন্দুর একটি সেটকে সবচেয়ে ভালো করে। এই মডিউলটি লিনিয়ার রিগ্রেশনের জন্য একটি মেশিন লার্নিং পদ্ধতির ভিত্তি স্থাপন করার আগে স্বজ্ঞাতভাবে লিনিয়ার রিগ্রেশন অন্বেষণ করে।
ML-এ অবতরণ
ডেটা থেকে শেখা
- ডেটা থেকে শেখার অনেক জটিল উপায় রয়েছে
- কিন্তু আমরা সহজ এবং পরিচিত কিছু দিয়ে শুরু করতে পারি
- সহজ শুরু করা কিছু বিস্তৃতভাবে দরকারী পদ্ধতির দরজা খুলে দেবে
রিগ্রেশন জন্য একটি সুবিধাজনক ক্ষতি ফাংশন
L 2 প্রদত্ত উদাহরণের জন্য ক্ষতিকে বর্গ ত্রুটিও বলা হয়
= ভবিষ্যদ্বাণী এবং লেবেলের মধ্যে পার্থক্যের বর্গ
= (পর্যবেক্ষণ - ভবিষ্যদ্বাণী) 2
= (y - y') 2
একটি ডেটা সেটে L 2 ক্ষতি সংজ্ঞায়িত করা
$$ L_2Loss = \sum_{(x,y)\in D} (y - prediction(x))^2 $$
\(\sum \text{:We're summing over all examples in the training set.}\)\(D \text{: Sometimes useful to average over all examples,}\)\(\text{so divide by} {\|D\|}.\)