Введение
Модель линейной регрессии проста и легко поддается моделированию, но она отражает некоторые важные базовые идеи в машинном обучении.
Дан образец x=(x_1;x_2;\cdots;x_d) с d атрибутами, линейная модель может обучить функцию, которая предсказывает с помощью линейной комбинации атрибутов, то есть f(x) = w_1\cdot x_1 + w_2 \cdot x_2 + \cdots + w_d \cdot x_d + b + \epsilon,
Здесь b + \epsilon - это константа, а \epsilon представляет собой ошибочный член. Поскольку длина атрибута равна d, эта линейная модель также называется d-мерной моделью линейной регрессии.
Например, трехмерная модель линейной регрессии:
f_{уровень_машинного_логика} = 0,4 x_1 + 0,5 x_2 + 0,1 x_3 + 1,2
здесь:
- x_1 означает навыки программирования.
- x_2 означает навыки алгоритмов.
- x_3 означает навыки коммуникации.
В этом испытании мы будем работать над задачей, связанной с линейной регрессией. Задача - найти значение показателя степени p, которое преобразует заданное нелинейное распределение в линейное.
