Math
Método de mínimos cuadrados
Compara ajuste de datos, regularización y sobreajuste.
Qué probar
Ajusta un polinomio a 16 muestras ruidosas mediante QR de Householder. Pulsa para mover verticalmente la muestra más cercana y crear un valor atípico. Compara el error de entrenamiento con el error respecto de la función conocida sin ruido; la regularización de cresta penaliza los coeficientes no constantes.
Ecuaciones del módulo
Ecuaciones objetivo: minβ ||Aβ−y||² + λ Σⱼ≥₁ βⱼ², Aij = xiʲ Reflectores de Householder: A = QR; resolver Rβ = Qᵀy La regularización de cresta se implementa aumentando A con filas √λI Los residuos de entrenamiento pueden reducirse mientras crece el error de predicción respecto de la referencia
