Projeto | Dominando a Estimação de Modelos de Regressão Não Linear

Estimação de Modelos de Regressão Não Linear

Iniciante

Neste projeto, você aprenderá como realizar regressão não linear para encontrar o expoente p em uma relação não linear entre as variáveis x e y, onde y = a * x^p + ε. A relação entre as variáveis em exemplos do mundo real é frequentemente não linear, e este projeto irá guiá-lo através do processo de transformação dos dados para torná-los uma relação linear.

pythondata-science

💡 Este tutorial foi traduzido do inglês com assistência de IA. Para ver o original, você pode mudar para a versão em inglês

Introdução

O modelo de regressão linear é simples e fácil de modelar, mas incorpora algumas ideias básicas importantes em machine learning.

Dado uma amostra $x=(x_1;x_2;\cdots;x_d)$ com $d$ atributos, o modelo linear pode aprender uma função que prevê através da combinação linear de atributos, ou seja, $f(x) = w_1\cdot x_1 + w_2 \cdot x_2 + \cdots + w_d \cdot x_d + b + \epsilon$ ,

Aqui, $b + \epsilon$ é uma constante, e $\epsilon$ representa o termo de erro. Como o comprimento do atributo é $d$ , este modelo linear também é chamado de modelo de regressão linear $d$ -dimensional.

Por exemplo, um modelo de regressão linear tridimensional:

f_{level\_of\_a\_ML\_engineer} = 0.4 x_1 + 0.5 x_2 + 0.1 x_3 + 1.2

aqui:

$x_1$ significa habilidades de programação.
$x_2$ significa habilidades de algoritmo.
$x_3$ significa habilidades de comunicação.

Neste desafio, estaremos trabalhando em um problema relacionado à regressão linear. A tarefa é encontrar o valor do expoente $p$ que transforma uma distribuição não linear dada em uma linear.