文件名称：梯度下降步长数据科学介绍000
文件大小：474KB
文件格式：ZIP
更新时间：2024-03-21 22:18:58
JupyterNotebook
简介：稍微好一点 在上一节中，我们首先看了改善回归线的过程。 我们从一些数据开始，然后使用给定输入的形式简单的回归线$ \ hat {y} = mx + b $来预测输出。 最后，我们通过计算回归线预测的输出与实际值之间的差异来测量回归线的准确性。 我们通过对所有误差进行平方（以消除负值）并将这些平方相加来得出残差平方和（RSS），从而量化回归线的准确性。 有了描述直线精度（或拟合优度）的数字，我们通过调整y截距值$ b $或斜率值$ m $，然后比较这些RSS值，反复尝试新的回归线。 通过找到最小化RSS的值$ m $和$ b $，我们可以找到“最佳拟合线”。 在下面的成本函数中，您可以看到$ b $的顺序值和相关的RSS值（给定的值为$ m $）。 import plotly from plotly . offline import init_notebook_mode , ip
【文件预览】：
gradient-descent-step-sizes-data-science-intro-000-master
----.gitignore(41B)
----halfpipe.jpg(38KB)
----cost-curve-plot.png(32KB)
----LICENSE.md(1KB)
----cost-chart-slope.png(34KB)
----CONTRIBUTING.md(2KB)
----skateboard.png(194KB)
----regression-scatter.png(29KB)
----error.py(2KB)
----gradientdescent.png(112KB)
----graph.py(2KB)
----README.md(10KB)
----zoomed-rss.png(23KB)
----.learn(87B)
----rss-y-intercept.png(29KB)
----linear_equations.py(1001B)
----index.ipynb(13KB)