Carregando
0x40Lição 5 de 18

Seu primeiro modelo: regressão linear

Ajuste uma reta aos dados, meça o erro quadrático médio e expanda o modelo para várias características.

20 min Questionário com 6 perguntas 2 exercícios de código
Ao final desta lição, você saberá
  • Interpretar a inclinação e o intercepto de uma reta como parâmetros do modelo
  • Calcular o erro quadrático médio de uma reta
  • Representar uma previsão com várias características como produto escalar

Imagine que você quer prever notas de prova com base nas horas de estudo. Ao desenhar os dados, os pontos tendem a subir aproximadamente em linha reta. A regressão linear encontra a reta que melhor se ajusta a eles:

y^=mx+b\hat{y} = m x + b

Aqui, xx é a entrada (horas de estudo), y^\hat{y} (“ípsilon chapéu”) é a nota prevista, mm é a inclinação (pontos a mais por hora adicional) e bb é o intercepto (a nota prevista com zero horas de estudo). Os valores mm e bb são os parâmetros do modelo. “Treinar o modelo” significa encontrar bons valores para eles.

Experimente

Até 15 XP

Ajuste a reta você mesmo

Mova os controles para que, no total, as linhas vermelhas (os erros entre cada ponto e sua reta) fiquem o mais curtas possível. Chegue a uma diferença de até 10% do menor erro possível; depois revele a melhor reta e compare.

horas de estudonota da prova

Soma dos erros quadráticos da sua reta: 1118.0

Como medir a melhor reta: erro quadrático médio

Para que o computador encontre a melhor reta, precisamos transformar “melhor” em um número. Para cada ponto, o erro (ou resíduo) é a diferença entre a previsão e o valor real. Elevamos cada erro ao quadrado para evitar que erros positivos e negativos se anulem e para dar mais peso a erros grandes; depois calculamos a média:

EQM=1n∑i=1n(y^i−yi)2\text{EQM} = \frac{1}{n} \sum_{i=1}^{n} (\hat{y}_i - y_i)^2

Esse erro quadrático médio (EQM) é a perda do modelo. A melhor reta é a que tem o menor EQM.

mse.py
1hours = [1, 2, 3, 4, 5]
2scores = [52, 55, 61, 60, 68]
3
4def mse(slope, intercept):
5    errors = [slope * x + intercept - y for x, y in zip(hours, scores)]
6    return sum(error ** 2 for error in errors) / len(errors)
7
8for slope, intercept in [(0, 59), (5, 45), (3.7, 48.1)]:
9    print(f"y = {slope}x + {intercept}: EQM = {mse(slope, intercept):.2f}")
Saída
y = 0x + 59: EQM = 30.20
y = 5x + 45: EQM = 6.80
y = 3.7x + 48.1: EQM = 2.78

Mais de uma característica

Previsões do mundo real usam várias características. O preço de uma casa pode depender da área, do número de quartos e da idade, cada uma com seu próprio peso:

y^=w1x1+w2x2+w3x3+b=w⋅x+b\hat{y} = w_1 x_1 + w_2 x_2 + w_3 x_3 + b = w \cdot x + b

É o produto escalar da lição de matemática. Cada peso indica quanto sua característica aumenta (valor positivo) ou reduz (valor negativo) a previsão.

multiple_regression.py
1weights = [1200, 15000, -800]   # por m², por quarto e por ano de idade
2bias = 20000
3
4def predict(features):
5    return sum(weight * feature for weight, feature in zip(weights, features)) + bias
6
7print(predict([100, 3, 10]))   # 100 m², 3 quartos, 10 anos de idade
8print(predict([60, 1, 40]))
Saída
177000
75000

Principais conclusões

  • A regressão linear prevê y^=mx+b\hat{y} = mx + b; o treinamento encontra a inclinação e o intercepto.

  • O erro quadrático médio transforma “quão boa é esta reta?” em um número a minimizar.

  • Com várias características, a previsão é um produto escalar mais um viés: y^=w⋅x+b\hat{y} = w \cdot x + b.

Quiz da aula

6 perguntas · aprovação com 5 acertos · até 50 XP

Ao passar, você conclui a aula e mantém sua sequência. As perguntas erradas voltarão em sessões de revisão.

Pratique: escreva código em Python

Escreva código Python no editor e execute os testes com exemplos. O Python roda localmente no navegador usando WebAssembly.

Exercício 1

Avalie uma reta

+25 XP

A primeira linha contém a inclinação e o intercepto. Cada linha seguinte contém um ponto x y. Imprima o erro de cada previsão (previsão menos valor real) como x=X erro=E e depois EQM: M com 2 casas decimais. Formate números usando :g.

  • Horas de estudo
  • Ajuste perfeito
main.py
Carregando editor…

O Python é executado em um ambiente isolado no navegador, com limite de 60 segundos. O runtime é carregado pelo CDN do Pyodide; seu código permanece neste navegador.

Exercício 2

Encontre exatamente a melhor reta

+25 XP

Cada linha contém um ponto x y. Calcule a reta de mínimos quadrados usando as fórmulas abaixo; xˉ\bar{x} e yˉ\bar{y} representam as médias:

m=∑(xi−xˉ)(yi−yˉ)∑(xi−xˉ)2b=yˉ−mxˉm = \frac{\sum (x_i - \bar{x})(y_i - \bar{y})}{\sum (x_i - \bar{x})^2} \qquad b = \bar{y} - m \bar{x}

Imprima inclinação: M e intercepto: B com 2 casas decimais e, em seguida, a previsão para x = 12 como previsão em 12: P, também com 2 casas decimais.

  • Horas de estudo
  • Reta exata
main.py
Carregando editor…

O Python é executado em um ambiente isolado no navegador, com limite de 60 segundos. O runtime é carregado pelo CDN do Pyodide; seu código permanece neste navegador.

Dúvidas sobre esta lição

Travou em algum ponto? Pergunte. Descobriu algo? Compartilhe. Explicar também é uma ótima forma de aprender.

Carregando publicações…