CByggareLaboration· ca 40 min· i webbläsaren

Labb: bästa linjen med minsta kvadratmetoden

Räkna ut MSE för en given linje, hitta bästa linjen med den slutna formeln, och förutsäga nya värden.

Lär ut: Linjär regression: anpassa en rät linje till data

Kräver: Statistik — medelvärde, median och spridningFunktioner och koordinatsystem

Teori

MSE = medel av (verkligt − gissat)². Bästa k = Σ(xᵢ−x̄)(yᵢ−ȳ) / Σ(xᵢ−x̄)², m = ȳ − k·x̄. Ingen sökning behövs — formeln ger optimum direkt (det är gradient descent som generaliserar när formel saknas).

Deluppgifter

mse — mse(k, m, xs, ys).
anpassa — anpassa(xs, ys) returnerar (k, m) med minsta kvadratmetoden.
forutsag — forutsag(k, m, x).

Startkoden

körs i din webbläsare

def mse(k, m, xs, ys):
    # TODO
    ...


def anpassa(xs, ys):
    # TODO: minsta kvadratmetoden (sluten formel)
    ...


def forutsag(k, m, x):
    # TODO
    ...

Du skriver koden, tester du inte ser avgör om den håller. Skapa ett gratis konto för att köra labben.

Prova diagnosen Skapa konto gratis

Förväntade resultat

anpassa([15,20,25],[20,35,50]) = (3, −25) exakt; mse(3,-25,...) = 0; forutsag(3,-25,30) = 65.

Vanliga fel

Räknar avvikelser mot 0 i stället för mot medelvärdet.
Blandar ihop k och m i returordningen.