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.
