Si cree que la relación entre X e Y es lineal en el espacio de entrada, puede aprender un modelo de regresión lineal simple. Básicamente, la suposición es [matemáticas] Y = {X} {w} [/ matemáticas], donde el objetivo del modelado de regresión lineal es encontrar “w”. Por lo general, “w” se encuentra usando la fórmula [matemáticas] {w} = {{X ^ {T} Y} \ over {X ^ {T} X}} [/ matemáticas]. Para este trabajo de fórmula, el término del denominador debe ser invertible. Para los casos en que la condición no se mantiene, puede usar la regresión de cresta, donde “w” se estima como [matemática] {w_ {cresta}} = {{X ^ {T} Y} \ over {X ^ {T} X + \ lambda {I}}} [/ matemáticas]. Aquí, [math] \ lambda [/ math] es el hiperparámetro de regularización.
Para predecir los valores ‘y’, puede ejecutar [math] \ hat {Y} = {X} {w_ {ridge}} [/ math], y el MSE se estima como [math] error = || \ hat { Y} -Y || _ {2} [/ matemáticas].
En R, hay un método listo para hacer regresión lineal llamado “lm”.
- ¿Qué es ingenuo Bayes, clasificación de espacio vectorial y máquinas de vectores de soporte en la recuperación de información?
- ¿En qué se diferencia la investigación de Machine Learning en la academia de la investigación en la industria?
- ¿Qué es un perceptrón?
- Cómo implementar un modelo entrenado de TensorFlow (solo parte de propaganda directa) en CPP puro
- ¿Qué es un buen libro que discute los principios de la ingeniería de características, en el contexto del aprendizaje automático?
Si cree que la relación no es lineal, puede probar algunos métodos de expansión de base para proyectar los datos no lineales en un hiperespacio, donde es lineal.