So far, we have only used a single

So far, we have only used a single variable for prediction, the number of rooms per
dwelling. We will now use all the data we have to fit a model using
multidimensional regression. We now try to predict a single output (the average
house price) based on multiple inputs.
The code looks very much like before:
x = boston.data
# we still add a bias term, but now we must use np.concatenate,
which
# concatenates two arrays/lists because we
# have several input variables in v
x = np.array([np.concatenate(v,[1]) for v in boston.data])
y = boston.target
s,total_error,_,_ = np.linalg.lstsq(x,y)
Now, the root mean squared error is only 4.7! This is better than what we had
before, which indicates that the extra variables did help. Unfortunately, we can no
longer easily display the results as we have a 14-dimensional regression.

Kết quả (Việt) 1:

Cho đến nay, chúng tôi đã chỉ sử dụng một biến duy nhất đối với dự báo, số lượng phòng mỗiở. Chúng tôi bây giờ sẽ sử dụng tất cả các dữ liệu hiện có để phù hợp với một mô hình bằng cách sử dụnghồi quy đa chiều. Chúng tôi bây giờ cố gắng để dự đoán một đầu ra duy nhất (trung bìnhnhà giá) dựa trên nhiều yếu tố đầu vào.Mã trông rất giống như trước khi:x = boston.data# chúng ta vẫn còn thêm một nhiệm kỳ thiên vị, nhưng bây giờ chúng ta phải sử dụng np.concatenate,mà# concatenates hai mảng/danh sách bởi vì chúng tôi# có một số đầu vào biến trong vx = np.array([np.concatenate(v,[1]) cho v trong boston.data])y = boston.targets, total_error, _, _ = np.linalg.lstsq(x,y)Bây giờ, gốc có nghĩa là bình phương lỗi là chỉ 4.7! Điều này là tốt hơn so với những gì chúng tôi đã cótrước đây, mà chỉ ra rằng các biến phụ đã giúp. Thật không may, chúng tôi có thể khôngcòn dễ dàng hiển thị các kết quả như chúng tôi có một hồi quy chiều 14.