Hints regress py * rogessontpy> BERR REESE Scevoueune BORSCEG KER ERE URS RORY srport matplotiib-pyptot a5 pxt ‘Partinos: ce un probiena de Supervises Leeming Xavnp. rey [20,25,20,40]) # X input data Yerpsarray(SE,60,70,29]]) # Y desired output. La Salida det aigorttao es una funcion m (hipotesis) Le fncion n(x) toma una entrada © intents estinar 2a sallda con el velor de Y. 4 Se puede Llararle un spronixinador de funciones” Lae redes neuronales aacen con ese enfoaue. woXL.shape[O] —# samples, La catdad de Flas on este caso. ms 4 femtures. La carectersaticn, Nerovones((mne1)) # aoding onesin first column xytiee Bowe pekne("rartian x - 2 feature”) print (x1) Srint("X with out for independent vardeble") esac) thetaenp.zerost(ntle!)) _# theta vector - nypethests Snprseroe((Steratione)) © array that stores cost/erron, 1 stould goa doun for 1 in ang iterations) ‘hetasthata-Iren9.60°(K.Ts (np. dot(Xytheta)-¥.1))/m # theta unde 3[t]onp.sunlap-rquare(np. dor Xyehats)-¥-1))/(2te) # core ealeulation Sprint(“thetarsytheta) sprant( ost?" STAD 44 una functon de corto determina of grado en que muoctra hipotasis ka zjurts 2 nuoctna conjunto de antrenantonts 5 Rela Mit onary pst el eat sna Drintinp.sot(k,tneta)) # print Finat nypotnesis Drine(Finat vector theta") Drint( theta) 4 Final theta vector fig, ax plt-subplots() erp. arange(0 iterations, 1) axvset(adabele{terstions'ylabele"cost (2)", titlee"Livear regression 1 feature / "les"#ste(le) axplot(ts)) axarid() Biteshow) fF impactante conensar con thats cone