La régression linéaire est une méthode permettant de trouver la ligne droite ou l'hyperplan qui correspond le mieux à un ensemble de points. Ce module explore de manière intuitive la régression linéaire avant de jeter les bases d'une approche de machine learning pour la régression linéaire.
Plongée dans le ML
Exploiter les données
- Il existe de nombreuses façons complexes d'apprendre à partir des données.
- Mais nous pouvons commencer par quelque chose de simple et de familier.
- Commencez par des méthodes simples pour découvrir certaines méthodes utiles
Une fonction de perte pratique pour la régression
La perte L2 pour un exemple donné est également appelée erreur quadratique.
= carré de la différence entre la prédiction et l'étiquette
= (observation - prédiction)2
= (y - y')2
Définir la perte L2 sur un ensemble de données
$$ L_2Loss = \sum_{(x,y)\in D} (y - prediction(x))^2 $$
\(\sum \text{:We're summing over all examples in the training set.}\) \(D \text{: Sometimes useful to average over all examples,}\) \(\text{so divide by} {\|D\|}.\)