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.

Este é um desafio, que difere de um Lab guiado em que você precisa completar o desafio de forma independente, em vez de seguir os passos de um Lab para aprender.Desafios geralmente têm um pouco de dificuldade. Se você encontrar isso difícil, pode discutir com Labby ou verificar a solução.