ผลต่างระหว่างรุ่นของ "Found ds 3.1"

รุ่นแก้ไขเมื่อ 02:21, 25 กันยายน 2564

Hint: 3.1 Least squares vertical error

ในข้อนี้จะให้ derive สูตรของการคำนวณที่นิยมเรียกว่า linear least squares หรือ linear least squares regression

จากโจทย์ เราจะให้เส้นประมาณของเราคือ $y=mx+b$ เราจะหา $m$ และ $b$ ที่ "ดีที่สุด"
ให้เริ่มโดยเขียนค่า error ที่เราต้องการจะ minimize ก่อน ในโจทย์ให้ใช้ mean square error แต่การคิดผลรวมก็ให้ผลไม่ต่างจากค่าเฉลี่ย ดังนั้นให้เขียนเทอมนี้ออกมาก่อน (ป.ล. square error ที่จุด $x_{i}$ เดียวคือ $((mx_{i}+b)-y_{i})^{2}$

หมายเหตุ: เพื่อความสะดวกในการคำนวณอาจจะใช้ ${\bar {x}}=(\sum _{i}x_{i})/n$ และ ${\bar {y}}=(\sum _{i}y_{i})/n$

@@ แถว 3: / แถว 3: @@
 ในข้อนี้จะให้ derive สูตรของการคำนวณที่นิยมเรียกว่า linear least squares หรือ linear least squares regression
-เพื่อความสะดวกในการคำนวณอาจจะใช้ <math>\bar{x}=(\sum_i x_i)/n</math> และ <math>\bar{y}=(\sum_i y_i)/n</math>
+* จากโจทย์ เราจะให้เส้นประมาณของเราคือ <math>y=mx+b</math> เราจะหา <math>m</math> และ <math>b</math> ที่ "ดีที่สุด"
+* ให้เริ่มโดยเขียนค่า error ที่เราต้องการจะ minimize ก่อน  ในโจทย์ให้ใช้ mean square error แต่การคิดผลรวมก็ให้ผลไม่ต่างจากค่าเฉลี่ย ดังนั้นให้เขียนเทอมนี้ออกมาก่อน (ป.ล. square error ที่จุด <math>x_i</math> เดียวคือ <math>((mx_i+b) - y_i)^2</math>
+''หมายเหตุ:'' เพื่อความสะดวกในการคำนวณอาจจะใช้ <math>\bar{x}=(\sum_i x_i)/n</math> และ <math>\bar{y}=(\sum_i y_i)/n</math>