DK
Ноо - результат явно неправильный
Как минимум потому что 0.
Как минимум потому что 0.
Size: a a a
2021 July 09
EP
Насколько я помню, там среднее это не ноль, который после масштабирования, а np.mean по столбцу тв, радио и газеты, до масштабирования
DK
Т.е. фраза про "нулевые значения" не обозначает нулевые значения?
DK
Но сейчас попробую конечно, спасибо
DK
means = np.mean(X, axis=0)
# столбец из единиц
newmeans = np.append(means.to_numpy(), 1)
newAnswer = newmeans.dot(norm_eq_weights)
Ответ другой, но тоже мимо
# столбец из единиц
newmeans = np.append(means.to_numpy(), 1)
newAnswer = newmeans.dot(norm_eq_weights)
Ответ другой, но тоже мимо
EP
Я вечером доберусь до компа, посмотрю ноутбук с заданием
DK
Большое спасибо 🤝
A
А зачем Вы делаете append 1? Он же в X уже есть
DK
Как предложили выше - я взял mean по оригинальному X, без добавленного столбца
Ну и добавил уже здесь вручную
Ну и добавил уже здесь вручную
A
По оригинальному до стандартизации? Нужно после
DK
Попробовал
meansAfter = np.mean(X, axis=0)
newAnswer = meansAfter.dot(norm_eq_weights)
Но тогда результат 0
meansAfter = np.mean(X, axis=0)
newAnswer = meansAfter.dot(norm_eq_weights)
Но тогда результат 0
A
Только если веса нулевые такое может быть.
DK
Ммм, нет - веса ненулевые, но вот если брать mean после стандартизации, там крошечные значения
[ 1.22124533e-16 -4.52970994e-16 2.22044605e-16 0.00000000e+00]
[ 1.22124533e-16 -4.52970994e-16 2.22044605e-16 0.00000000e+00]
A
Вот как раз коэффициент при свободном члене равен 0. Где-то ошибка в вычислениях. Посмотрите еще на форуме что по этому поводу пишут.
DK
Да я смотрел, но если честно лишь больше запутался
Учитывая что здесь должно быть ну совсем что-то простое и однострочное
Я чуть-чуть раньше привел пример того как вычислял, если вам интересно
Учитывая что здесь должно быть ну совсем что-то простое и однострочное
Я чуть-чуть раньше привел пример того как вычислял, если вам интересно
A
Среднее должно быть около нуля, а вот последнее число должно быть 1. Вы единичный столбец к X когда добавили?
DK
Вы как будто за спиной стояли ;D
Пересмотрел, действительно ошибся именно с этим - и само собой не смотрел на такую вещь, пытаясь найти ошибку дальше
Спасибо большое)
Пересмотрел, действительно ошибся именно с этим - и само собой не смотрел на такую вещь, пытаясь найти ошибку дальше
Спасибо большое)
A
Если что-то не сходится, лучше выводить промежуточные переменные и искать, где все ломается
2021 July 10
RR
Всем привет! Прохожу 2 курс. Тема бустинг. На странице ods курса по этой теме (https://github.com/Yorko/mlcourse.ai/blob/master/jupyter_russian/topic10_boosting/lesson10_part1_boosting.ipynb) написано, что мы настраиваем базовый алгоритм на полученные остатки, т.е. обучаем его по выборке (x,s). В курсе написано, что обучение представляет собой задачу обучения на размеченных данных и используется квадратичная функция ошибки. Т.е. находим такой алгоритм, при котором минимальна кв. ошибка. Я запутался...
K
каждый базовый алгоритм настраивается предсказывать вектор антиградиента (в случае задачи регрессии -- это есть просто остатки). А поскольку компоненты вектора антиградиента -- это любые вещественные числа, то используем мы регрессионные деревья (которые соответственно минимизируют mse).