Ciencia de los datos - entrevistas

🤔 Назови формулу линейной модели Формула линейной модели в общем виде записывается как: y = w_0 + w_1 x_1 + w_2 x_2 + \dots + w_n x_n + \varepsilon Где: \( y \) — целевая переменная (предсказываемый результат), \( x_1, x_2, \dots, x_n \) — признаки (входные данные), \( w_0 \) — свободный член (intercept, смещение), \( w_1, w_2, \dots, w_n \) — коэффициенты (веса) модели, \( \varepsilon \) — случайная ошибка (шум). 🚩Почему это важно? Линейная модель используется для предсказания зависимой переменной \( y \) на основе линейной комбинации входных признаков \( x \). Она проста в интерпретации и вычислениях, поэтому широко применяется в статистике и машинном обучении. 🚩Как используется? Модель обучается с помощью метода наименьших квадратов (или градиентного спуска), подбирая такие коэффициенты \( w \), чтобы минимизировать ошибку предсказания. import numpy as np import matplotlib.pyplot as plt from sklearn.linear_model import LinearRegression # Данные (признак x и целевая переменная y) X = np.array([1, 2, 3, 4, 5]).reshape(-1, 1) # Преобразуем в столбец y = np.array([2, 4, 6, 8, 10]) # Создаем и обучаем модель model = LinearRegression() model.fit(X, y) # Выводим коэффициенты print(f'Коэффициент наклона (w1): {model.coef_[0]}') print(f'Свободный член (w0): {model.intercept_}') # Делаем предсказание y_pred = model.predict(X) # Визуализация plt.scatter(X, y, color='blue', label='Данные') plt.plot(X, y_pred, color='red', label='Модель') plt.legend() plt.show() Ставь 👍 и забирай 📚 Базу знаний