简单线性回归中在何处使用成本函数

Question

我是机器学习的新手，并且我研究了成本函数背后的数学原理。我想知道在哪里实现线性回归的成本函数，即J（B1，B2）= 1 /2nΣ（y-y_pred）^ 2吗？

在下面的代码中没有使用成本函数，因为我们在预测值之后计算成本函数。查看代码时，没有看到任何错误。最小化步骤。 该代码可用selenium

from lib2to3.refactor import RefactoringTool, get_fixers_from_package

refactoring_tool = RefactoringTool(fixer_names=get_fixers_from_package('lib2to3.fixes'))

def convert_data_2to3(pickled_data):
    # Add new-line: refactoring tool requires lines of code.
    data = pickled_data + '\n'
    node = refactoring_tool.refactor_string(data, 'convert_data_2to3')
    return str(node).rstrip()  # Strip the newline added earlier

Answer 1

需要解决的最小化是关于b0和b1，即我们需要找到两者的最优值。解决该最小化问题时，您将到达b_1 = SS_Xy / SS_XX和b_0 = m_y - b_1*m_X。他们没有解决代码的最小化问题，而是直接使用结果来获取最佳值。在文章中已经提到了这一点：

  

我们的任务是找到J（b_0，b_1）最小的b_0和b_1的值！

     

在不涉及数学细节的情况下，我们在此处显示结果：