Сначала мы
изучили Linear Regression, как средство
предсказания непрерывных величин,
разряд Supervised Learning.
Суть в том, что
имея набор тренировочных данных, обучить
на них тупую железяку таким образом,
чтобы она могла предсказывать значения
целевого параметра на данных не входящих
в трен.набор.
В качестве
примера рассматривали цены на дома, где
дома характеризуются несколькими
параметрами: размер, этажность, количество
спален, возраст и т. д. В качестве
трен.набора дается табличка, где каждая
строка — данные по одному дому, вместе
с известной ценой.
Так вот, нас
научили, как подобрать полином
y = t1 x1 + t2 x2 + t3
x3 + … tn xn
и как искать
параметры этого полинома. Называется
— обучение машины.
Параметры —
это вектор t, это то, что находит машина
в процессе обучения. Переменные x — это
параметры дома. Что любопытно, если
нужна нелинейная функция (полином
первого порядка), можно добавить
псевдопеременные, скомбинировав их из
существующих.
Типа x1 * x2; x1^2;
x2^2 и так далее.
Тогда получается
нелинейная регрессия.
И теперь мы
умеем строить умные машины, которые
могут, поучившись на известных данных,
предсказывать цены на недвижку, курсы
валют и температуру воздуха на завтра.
И это была тема
Линейной Регрессии в классе Supervised
Learning.
Комментариев нет:
Отправить комментарий