Потому что веса не меняются?

Ясно

Коллеги, добрый день! У кого есть возможность, проверьте, пожалуйста, C1W4, по ссылке https://www.coursera.org/learn/mathematics-and-python/peer/4vN1n/tsientral-naia-priediel-naia-tieoriema-svoimi-rukami/review/QljG350gEeq6qhLo8FkBgw

заранее спасибо!

В общем, если параметры модели ищутся как в линейной модели, то модель называется линейной

Почему значение признаков константы? Вы говорите про поиск значения весов?

да

линейную регресиию от нелинейной отличает вид зависимости от вектора параметров.
например линейная регрессия записывается только так : y=(w, f(x))
нелинейная позволяет какие то преобразования над вектором весов y=( g(w), f(x))

да, если прологарифмировать веса типа y=w0 +log(w1) *x1, то это уже называется нелинейная регрессия, несмотря(!!) на то что можно переобозначить и сделать линейную по новым весам p0=w0, p1=log(w1)

спасиб ребят. тоже думал ток про признаки а не веса до сего разговора)😳

кстати, если сделать вот такую вот замену p1=log(w1) то там получается вроде другой результат, чем если не менять. дело в том, что значения, что для линейной, что нелинейной регрессии одназначно поучаются аналитически из метода наименьших квадратов. ну у меня, по крайней мере разница была, хоьч мог и где то ошибиться в рассчетах

да, возможно, хотя б потому что не допускается w1<=0, пример вообще взят с потолка)

Из воронцова

Различают математическую модель и регрессионную модель. Математическая модель предполагает участие аналитика в конструировании функции, которая описывает некоторую известную закономерность. Математическая модель является интерпретируемой — объясняемой в рамках исследуемой закономерности. При построении математической модели сначала создаётся параметрическое семейство функций, затем с помощью измеряемых данных выполняется идентификация модели — нахождение её параметров. Известная функциональная зависимость объясняющей переменной и переменной отклика — основное отличие математического моделирования от регрессионного анализа. Недостаток математического моделирования состоит в том, что измеряемые данные используются для верификации, но не для построения модели, вследствие чего можно получить неадекватную модель. Также затруднительно получить модель сложного явления, в котором взаимосвязано большое число различных факторов.

Регрессионная модель объединяет широкий класс универсальных функций, которые описывают некоторую закономерность. При этом для построения модели в основном используются измеряемые данные, а не знание свойств исследуемой закономерности. Такая модель часто неинтерпретируема, но более точна. Это объясняется либо большим числом моделей-претендентов, которые используются для построения оптимальной модели, либо большой сложностью модели. Нахождение параметров регрессионной модели называется обучением модели.

Недостатки регрессионного анализа: модели, имеющие слишком малую сложность, могут оказаться неточными, а модели, имеющие избыточную сложность, могут оказаться переобученными.

Примеры регрессионных моделей: линейные функции, алгебраические полиномы, ряды Чебышёва, нейронные сети без обратной связи, например, однослойный персептрон Розенблатта, радиальные базисные функции и прочее.

И регрессионная, и математическая модель, как правило, задают непрерывное отображение.

Поскажите пж, как сделать так, чтобы при изменении элементов массива тут изменялись и переменные, из которых изначально этот массив был создан

там еще для рассчетов производная от сложной функции используется, а если свести модель к линейной, пропадает умножение на прозводные функций, цепное правило или как там

Согласен. Но В задании указан не принцип построения модели, а сама модель

Это относится к алгоритму нахождения параметров

да

Вопрос звучал по другому