Меня всегда очень интересовали искусственный интеллект и машинное обучение. Я интересовался этим с тех пор, как начал программировать, и интерес только возрастал. Когда мне нужно было выбрать свой проект по информатике для 11-го класса, сомнений в том, что я должен был сделать, не было. Однако, как только я решил, что мой проект будет вращаться вокруг машинного обучения, я начал исследовать то же самое. Я понял, что это был огромный зонт. Итак, мне нужно было выбрать простое начало, и поэтому я выбрал линейную регрессию.
Во-первых, что такое линейная регрессия? Линейная регрессия — это алгоритм, который находит наилучшую линейную зависимость между двумя наборами значений и использует ее для прогнозирования данных. Линейная регрессия — это простой и стандартный метод обучения с учителем. Требования к данным также просты: наборы значений должны иметь линейную связь или связь, достаточно близкую, чтобы считаться линейной.
Линейная регрессия работает путем многократного изменения значений точки пересечения y и наклона линии y=mx+c. Таким образом, мы получаем эти значения, которые можно использовать для поиска целевого значения для любого входного значения x. Изменить значения можно несколькими способами, наиболее распространенным из которых является градиентный спуск.
Градиентный спуск изменяет значения точки пересечения и наклона на основе разницы между прогнозируемым и оценочным значением, при этом более высокая разница вызывает более значительное изменение. Таким образом, по мере увеличения числа итераций величина ошибки уменьшается. Этот эффект можно увидеть на графиках ниже. На видео видно, как линия сильно меняется поначалу, но к концу изменение на кадр едва заметно. На фото показано, как ошибка уменьшается по мере увеличения количества итераций и, наконец, остается относительно постоянной.
Последним настраиваемым фактором является функция ошибки. Поскольку градиентный спуск полагается на значение ошибки, чтобы точно найти окончательные значения точки пересечения и наклона, это важный шаг. Наиболее часто используемая функция ошибок или функция потерь — это среднеквадратическая ошибка (MSE). MSE представляет собой сумму квадратов разницы между прогнозируемыми и исходными значениями, деленную на общее количество значений. Одним из недостатков этого метода является то, что на него сильно влияют выбросы.
Таким образом, линейная регрессия — это мощный инструмент, который можно применять в различных областях и отраслях, от финансов до здравоохранения. По мере развития технологий машинное обучение и искусственный интеллект будут играть все более важную роль в решении сложных проблем и прогнозировании. Изучая линейную регрессию и другие алгоритмы машинного обучения, вы можете открыть новые возможности и развить навыки, которые будут востребованы в будущем. Так почему бы не сделать первый шаг и не начать исследовать мир машинного обучения?
