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.
