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.
