A regressão linear é um método para encontrar a linha reta ou o hiperplano que melhor se encaixa em um conjunto de pontos. Este módulo explora a regressão linear de maneira intuitiva antes de estabelecer a base de uma abordagem de machine learning para a regressão linear.
Como descer no ML
Aprendizado com dados
- Há muitas maneiras complexas de aprender com os dados
- Mas podemos começar com algo simples e conhecido
- Começar de uma forma simples abre as portas para alguns métodos úteis
Uma função de perda conveniente para regressão
L2 perda para um determinado exemplo também é chamado de erro quadrático.
= quadrado da diferença entre previsão e identificador
= (observação – previsão)2
= (y - y')2
Como definir a perda L2 em um conjunto de dados
$$ L_2Loss = \sum_{(x,y)\in D} (y - prediction(x))^2 $$
\(\sum \text{:We're summing over all examples in the training set.}\) \(D \text{: Sometimes useful to average over all examples,}\) \(\text{so divide by} {\|D\|}.\)