В этой статье их два раздела — Сначала мы обсудим математику за кулисами, а во второй части обсудим реализацию. Что касается математической части, мы обсудим простую регрессию, а затем перейдем к регрессии с множественными переменными. Давайте обсудим резюме здесь. Мы определяем функцию потерь и пытаемся минимизировать ее, используя метод градиентного спуска. Теперь давайте начнем с части реализации. Я использую набор данных Boston, который вы можете легко..

В моем предыдущем посте об одномерной линейной регрессии я описал, как машинное обучение может быть очень полезным для прогнозирования данных на основе существующих. Чтобы продемонстрировать это, я использовал набор данных о жилье, в котором была только одна переменная признаков. Позвольте мне добавить еще один блок к головоломке, на этот раз, вместо одной переменной функции, позвольте мне иметь 2 переменные функции: размер дома, а также количество спален. Я использую тот же набор..

Регрессия с более чем 1 функцией называется многомерной и почти то же самое, что и линейная, только с небольшими изменениями. В моем предыдущем посте я говорил о линейной регрессии с нуля в python. Посмотрите, нет ли у вас Щелкните здесь . В этом разделе мы увидим, как мы можем реализовать многомерную регрессию . Я был бы очень признателен, если бы вы немного освежили информацию о многомерной регрессии. Если вы ищете какой-нибудь учебник, я бы порекомендовал andrew-ng Проверить this..

Прогноз, основанный на более чем одной функции. Привет, ребята! В своих предыдущих статьях я покажу вам, как мы можем реализовать простую линейную регрессию, используя « Нормальное уравнение » в Python. Что же означает простая линейная регрессия? Это означает, что мы собираемся предсказать значение вывода, используя только одну функцию из нашего набора данных. Иногда нам трудно предсказать ценность только одной функции, верно? Вот почему нам нужно использовать многомерную линейную..