Etkileşimli Doğrusal Regresyon

Genel Harita Temel Algoritmalar Doğrusal Regresyon Lojistik Regresyon Perceptron Notebook Tam Ekran Demo

Kitap / Bölüm 3

Kitabın doğrusal regresyonu seçmesinin nedeni basitliği değil; makine öğrenmesinin neredeyse bütün ana parçalarını görünür kılmasıdır. Veri, parametre, tahmin, kayıp ve optimizasyon burada en çıplak halleriyle görünür.

Ne Yap Eğim ve bias ile oynayarak doğrunun veri bulutu üzerindeki yerini değiştir. Hangi parametrelerin hatayı düşürdüğünü sezgisel olarak takip et.

Ne Gör Doğru noktaların merkezinden geçtikçe kayıp azalır. Böylece “öğrenme”, parametrelerin veriyle daha uyumlu hale gelmesi olarak görünür.

Kitaptaki Karşılığı Bu model, yalnızca bir doğru uydurmak için değil, optimizasyon ve genelleme dilini kurmak için önemlidir.

Burada asıl kahraman doğrunun kendisi değil; hata yüzeyi ve parametre güncellemesidir. Kitabın geri kalanındaki çok daha karmaşık modeller aynı çekirdek mantığın farklı versiyonlarıdır.