One common step is to add a bias te

One common step is to add a bias term to the previous expression so that the price
is a multiple of RM plus a bias. This bias is the base price for a zero-bedroom
apartment. The trick to implement this is to add 1 to every element of x:
x = boston.data[:,5]
x = np.array([[v,1] for v in x]) # we now use [v,1] instead of [v]
y = boston.target
(slope,bias),_,_,_ = np.linalg.lstsq(x,y)
In the following screenshot, we can see that visually it looks better (even though a
few outliers may be having a disproportionate impact on the result):

Kết quả (Việt) 1:

Một bước phổ biến là để thêm một thiên vị hạn để cụm từ trước vì vậy mà giálà bội số của RM cộng với một thiên vị. Xu hướng này là cơ sở giá cho một số không-phòng ngủcăn hộ. Bí quyết để thực hiện điều này là để thêm 1 cho mỗi phần tử của x:x = boston.data[:,5]x = np.array ([[v, 1] cho v trong x]) # chúng tôi bây giờ sử dụng [v, 1] thay vì [v]y = boston.target(dốc, thiên vị), _, _, _ = np.linalg.lstsq(x,y)Trong ảnh chụp màn hình sau đây, chúng ta có thể thấy rằng trực quan có vẻ tốt hơn (mặc dù mộtvài outliers có thể có một tác động không cân xứng về kết quả):

Kết quả (Việt) 2:

Một bước thông thường là thêm một thuật ngữ thiên vị cho các biểu hiện trước đó để giá
là một bội số của RM cộng với một sự thiên vị. Khuynh hướng này là giá cơ sở cho một số không-phòng ngủ
căn hộ. Bí quyết để thực hiện điều này là thêm 1 để mọi phần tử của x:
x = boston.data [:, 5]
x = np.array ([[v, 1] cho v trong x]) # bây giờ chúng tôi sử dụng [v, 1] thay vì [v]
y = boston.target
(độ dốc, thiên vị), _, _, _ = np.linalg.lstsq (x, y)
Trong hình dưới đây, chúng ta có thể thấy rằng thị có vẻ tốt hơn (mặc dù một
vài bất ngờ có thể có một tác động không giống nhau lên các kết quả):