vault backup: 2026-05-07 15:57:15

01 Library/11 Machine Learning/Линейные модели.md

@@ -1906,7 +1906,7 @@ $$\{(x_i, y_i)\}_{i=1}^n = \{(x_1, y_1), (x_2, y_2), ..., (x_n, y_n)\}$$
 * $n$ - размер выборки
 * $k$ - количество классов
 
-Необходимо построить модель, восстанавливающую зависить $y$ от $x$: $$y=f(x)$$
+Необходимо построить модель, восстанавливающую зависимость $y$ от $x$: $$y=f(x)$$
 
 Для упрощения задачи мы с вами сначала рассмотрим задачу бинарной классификации, а затем обобщим результат на мультиклассовую.
 
@@ -1987,7 +1987,7 @@ $$\beta = (\beta_0, \beta_1, \beta_2, ..., \beta_m)^T$$
 
 Гипотетически, ничего не мешаем нам воспользоваться линейной регрессии для случая классификации.
 
-Если целевая переменная перекодирована в числа, например $Y = \{0, 1\}$, то ничто нам не мешает построить регрессию и восставить зависить между $x$ и $y$.
+Если целевая переменная перекодирована в числа, например $Y = \{0, 1\}$, то ничто нам не мешает построить регрессию и восстановить зависимость между $x$ и $y$.
 
 
 Мы будем оптимизировать все тот же метод наименьших квадратов, оптимизируя квадратичную функцию потерь:
@@ -2290,7 +2290,7 @@ $$L(\beta) = - \frac{1}{n} \sum_{i=1}^n log(1 + e^{-y_i \cdot x_i \cdot \beta})$
 
 **Пример**
 
-Рассмотрим пример рассчета функции log loss.
+Рассмотрим пример расчёта функции log loss.
 
 Пусть у нас есть выборка из четырёх объектов (опухолей) с двумя признаками: $x_{1}$ и $x_{2}$.