線形回帰で勾配がどのように使用されるかについて、誰かに私に高水準を与えることはできますか？私はグラデーションが基本的に効率的にローカル最小値を見つけることを理解していますが、実際にデータへの回帰をどのように形成するのに役立ちますか？誰かが実際にデータポイントにラインが形成されるイベントの注文を私に与えることはできますか？私はポイントの勾配を計算する方法を理解していますが、それが実際にラインをより効率的に形成するのに役立つ方法ではありません。線形回帰における勾配の傾斜の役割は何ですか？
私はここで固体の答えを見つけました：https://spin.atomicobject.com/2014/06/24/gradient-descent-linear-regression/
これを理解するためのトリックは、あなたが費用関数を開発するには、y = MX + BのM aとb値を計算しなければならないことを知っているが、それはあなたに新しいを与えます最高と最低の適合線のデータセット。次に、グラデーションディケントを使用して、基本的に、ラインの実際のm値とb値を含む最も低いエラーラインを見つけます。このリンクは、エラーグラフがどのように見えるか、私の非専門的な機械学習の意見では本当に良いグラフを持っています。グラデーションをよく理解すれば、どのようにしてグラフを移動して最も低い誤差を見つけることができるかを見ることができます。この質問で銃を飛ばして申し訳ありませんが、うまくいけば、機械学習を初めて経験している他の人たちを助けることができます！