diff --git a/Regresja_wielomianowa.ipynb b/Regresja_wielomianowa.ipynb index 092d999..a211a87 100644 --- a/Regresja_wielomianowa.ipynb +++ b/Regresja_wielomianowa.ipynb @@ -12,6 +12,8 @@ ] }, { + "cell_type": "markdown", + "metadata": {}, "source": [ "![polynomial_regression](regression.png)\n", "\n", @@ -24,11 +26,11 @@ "Gdzie:\n", "\n", "$$ \\theta - \\text{wektor parametrów modelu} $$ " - ], - "cell_type": "markdown", - "metadata": {} + ] }, { + "cell_type": "markdown", + "metadata": {}, "source": [ "## Funkcja kosztu\n", "![MSE](mse.webp)\n", @@ -42,19 +44,19 @@ "$$ m - \\text{ilość przykładów} $$ \n", "\n", "Za funkcję kosztu przyjmuje się zmodyfikowaną wersję błędu średniokwadratowego. Dodatkowo dodaje się dzielenie przez 2*m zamiast m, aby gradient z funkcji był lepszej postaci." - ], - "cell_type": "markdown", - "metadata": {} + ] }, { + "cell_type": "markdown", + "metadata": {}, "source": [ "## Metoda gradientu prostego\n", "![gradient_descent](gradient.png)" - ], - "cell_type": "markdown", - "metadata": {} + ] }, { + "cell_type": "markdown", + "metadata": {}, "source": [ "Do znalezienia minimum funckji kosztu można użyć metody gradientu prostego. W tym celu iteracyjnie liczy się gradient funkcji kosztu i aktualizuje się za jego pomocą wektor parametrów modelu aż do uzyskania zbieżności (Różnica między obliczoną funkcją kosztu a funkcją kosztu w poprzedniej iteracji będzie mniejsza od ustalonej wcześniej wartości $\\varepsilon$).\n", "\n", @@ -69,13 +71,11 @@ "Gdzie:\n", "\n", "$$ \\alpha - \\text{współczynnik uczenia} $$" - ], - "cell_type": "markdown", - "metadata": {} + ] }, { "cell_type": "code", - "execution_count": 46, + "execution_count": 1, "metadata": { "slideshow": { "slide_type": "notes" @@ -93,7 +93,7 @@ }, { "cell_type": "code", - "execution_count": 47, + "execution_count": 2, "metadata": { "slideshow": { "slide_type": "notes" @@ -170,7 +170,7 @@ }, { "cell_type": "code", - "execution_count": 48, + "execution_count": 3, "metadata": {}, "outputs": [], "source": [ @@ -181,7 +181,7 @@ }, { "cell_type": "code", - "execution_count": 49, + "execution_count": 4, "metadata": { "slideshow": { "slide_type": "fragment" @@ -226,7 +226,7 @@ }, { "cell_type": "code", - "execution_count": 50, + "execution_count": 5, "metadata": {}, "outputs": [], "source": [ @@ -254,7 +254,7 @@ }, { "cell_type": "code", - "execution_count": 51, + "execution_count": 6, "metadata": { "slideshow": { "slide_type": "notes" @@ -262,28 +262,111 @@ }, "outputs": [ { - "output_type": "execute_result", "data": { + "text/html": [ + "
\n", + " | sqrMetres | \n", + "price | \n", + "
---|---|---|
318 | \n", + "62 | \n", + "399000.0 | \n", + "
1294 | \n", + "50 | \n", + "247705.0 | \n", + "
593 | \n", + "15 | \n", + "349668.0 | \n", + "
1486 | \n", + "20 | \n", + "347633.0 | \n", + "
224 | \n", + "42 | \n", + "289000.0 | \n", + "
... | \n", + "... | \n", + "... | \n", + "
1410 | \n", + "50 | \n", + "315000.0 | \n", + "
424 | \n", + "14 | \n", + "330255.0 | \n", + "
103 | \n", + "21 | \n", + "327584.0 | \n", + "
983 | \n", + "78 | \n", + "496573.0 | \n", + "
418 | \n", + "16 | \n", + "309978.0 | \n", + "
1674 rows × 2 columns
\n", + "\n | sqrMetres | \nprice | \n
---|---|---|
1102 | \n73 | \n550000.0 | \n
1375 | \n78 | \n496573.0 | \n
1644 | \n40 | \n310000.0 | \n
1434 | \n22 | \n377652.0 | \n
1444 | \n30 | \n345180.0 | \n
... | \n... | \n... | \n
384 | \n76 | \n269984.0 | \n
214 | \n42 | \n249000.0 | \n
24 | \n47 | \n299000.0 | \n
1004 | \n57 | \n293848.0 | \n
1632 | \n112 | \n329000.0 | \n
1674 rows × 2 columns
\n