Codepfad
1 Linear Regression 2 Gradient Descent 3 Predictive Modeling
w_temp: -4.4
w_faktor: 26.0
b: 136.0
MAE: 0.0 €
Treffer (≤ 8 €): 0/6

Datenmatrix X und Zielvektor y

Jede Zeile = ein Monat. Spalten = Merkmale.

Vorhersagevektor y-hat

Monat y-hat (€) |Fehler| (€) Status

Interaktive Gewichte

w_temp (pro +1°C) Was? Dieser Regler bestimmt den Temperatureffekt pro Grad. Warum schieben? Damit ihr seht, wie stark ein einzelnes Merkmal die Vorhersage nach oben oder unten zieht. -4.4
w_faktor (Einfluss Gebäudefaktor) Was? Dieser Regler steuert den Einfluss des Gebäudefaktors. Warum schieben? So erkennt ihr, ob das Modell eher Temperatur oder Gebäudestruktur übergewichtet. 26.0
b (Basisniveau) Was? Der Bias verschiebt alle y-hat-Werte gleichzeitig. Warum schieben? Damit ihr globales Unter- oder Überschätzen korrigiert, bevor ihr pro Merkmal feinjustiert. 136.0 €

Warum Matrix statt 1 Achse?

  • Grenze von 1 x-Achse: Ein Einflussfaktor reicht oft nicht aus.
  • Matrix-Idee: Mehrere Merkmale werden als Spalten nebeneinander organisiert.
  • Modell: y-hat = b + w_temp*temp + w_faktor*faktor.
  • Brücke zu Thema 4: Das rechnen wir als Matrizenmultiplikation für viele Zeilen auf einmal.
Shape-Brücke
X: 6x1 w: 1x1 b: 1x1 y-hat: 6x1

Startzustand: nur ein Merkmal sichtbar. Mit zusätzlicher Spalte wächst X von 6x1 auf 6x2.

Begriffe in 30 Sekunden
  • Skalar: eine Zahl (z. B. Bias b).
  • Vektor: geordnete Liste von Zahlen (z. B. Gewichte w).
  • Matrix: Tabelle aus Zeilen und Spalten (z. B. X).
  • Transpose: vertauscht Zeilen und Spalten, z. B. aus 6x2 wird 2x6.