Introducción
El modelo de regresión lineal es simple y fácil de modelar, pero embodia algunas ideas básicas importantes en el aprendizaje automático.
Dada una muestra $x=(x_1;x_2;\cdots;x_d)$ con $d$ atributos, el modelo lineal puede aprender una función que predice a través de la combinación lineal de atributos, es decir $f(x) = w_1\cdot x_1 + w_2 \cdot x_2 + \cdots + w_d \cdot x_d + b + \epsilon$,
Aquí $b + \epsilon$ es una constante, y $\epsilon$ representa el término de error. Debido a que la longitud del atributo es $d$, este modelo lineal también se llama un modelo de regresión lineal de $d$ dimensiones.
Por ejemplo, un modelo de regresión lineal tridimensional:
$$f_{nivel_de_un_ingeniero_de_ML} = 0.4 x_1 + 0.5 x_2 + 0.1 x_3 + 1.2$$
aquí:
- $x_1$ significa habilidades de programación.
- $x_2$ significa habilidades de algoritmos.
- $x_3$ significa habilidades de comunicación.
En este desafío, trabajaremos en un problema relacionado con la regresión lineal. La tarea es encontrar el valor del exponente $p$ que transforma una distribución no lineal dada en una lineal.
