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.
