0 dní v řadě · 0 bodů

Tahák · Python · Strojové učení

Lineární regrese od nuly

Proložíš data přímkou ručně, odvodíš vzorec, rozšíříš ho na více vlastností v NumPy a výsledek porovnáš se scikit-learn.

Otevřít celou lekciVšechny taháky
python
# Jedna vlastnost
dx, dy = x - x.mean(), y - y.mean()
w = (dx * dy).sum() / (dx ** 2).sum()
b = y.mean() - w * x.mean()

# Více vlastností
A = np.column_stack([np.ones(len(X)), X])
theta, *_ = np.linalg.lstsq(A, y, rcond=None)
odhad = A @ theta

# Metriky
mse = np.mean((y - odhad) ** 2)
r2 = 1 - ((y - odhad) ** 2).sum() / ((y - y.mean()) ** 2).sum()

# scikit-learn
from sklearn.linear_model import LinearRegression
model = LinearRegression().fit(X_train, y_train)
model.coef_, model.intercept_, model.score(X_test, y_test)

Inverzi XᵀX nepočítej. MSE trestá velké chyby. Mimo rozsah dat modelu nevěř.