Einführung
Das lineare Regressionsmodell ist einfach und leicht zu modellieren, aber es verkörpert einige wichtige Grundideen in der Maschinellen Lernen.
Gegeben eine Stichprobe x=(x_1;x_2;\cdots;x_d) mit d Attributen, kann das lineare Modell eine Funktion lernen, die durch die lineare Kombination der Attribute vorherzusagen ist, d.h. f(x) = w_1\cdot x_1 + w_2 \cdot x_2 + \cdots + w_d \cdot x_d + b + \epsilon,
Hier ist b + \epsilon eine Konstante und \epsilon repräsentiert den Fehlerterm. Da die Attributlänge d ist, wird dieses lineare Modell auch als d-dimensionales lineares Regressionsmodell bezeichnet.
Zum Beispiel ein dreidimensionales lineares Regressionsmodell:
f_{level\_of\_a\_ML\_engineer} = 0.4 x_1 + 0.5 x_2 + 0.1 x_3 + 1.2
Hierbei bedeuten:
- x_1 die Programmierkenntnisse.
- x_2 die Algorithmenkenntnisse.
- x_3 die Kommunikationsfähigkeiten.
In dieser Herausforderung werden wir an einem Problem arbeiten, das mit der linearen Regression zusammenhängt. Die Aufgabe besteht darin, den Exponentenwert p zu finden, der eine gegebene nichtlineare Verteilung in eine lineare umwandelt.
