Regresión significa predecir un valor numérico (resultado) basado en otro valor (predictor).
En este ejemplo, el modelo de regresión es la línea diagonal en el medio de los puntos de datos. Esto modela la relación entre el predictor y el resultado basado en observaciones previas (los puntos de datos). Por ejemplo, si el predictor toma el valor 20, el modelo de regresión estimará que el resultado estará justo por encima de 30.
- En el autoencoder variacional, ¿por qué solo tomamos muestras de variables latentes de un gaussiano estándar y aplicamos el decodificador para generar nuevos datos en las pruebas?
- ¿Cuál es la mejor manera de administrar indicadores de función o alternar características para equipos de desarrollo más grandes?
- ¿Cómo elijo theta0, thetaL y thetaU en un modelo de proceso gaussiano de scikit-learn?
- ¿Cuáles son las mejores conferencias y revistas sobre aprendizaje automático?
- ¿Existe una buena herramienta de aprendizaje de idiomas?
El aprendizaje automático ajusta la línea a las observaciones minimizando la llamada función de costo, una función matemática que calcula qué tan lejos está la línea de regresión de las observaciones reales en promedio.
El ejemplo aquí es un caso especial llamado regresión lineal con un predictor. Puede haber múltiples predictores, y el modelo de regresión no tiene que ser una línea recta.