vault backup: 2024-12-30 01:50:33

Foundation of data science/notes/3.1 Multi Class Logistic Regression.md

@@ -107,6 +107,6 @@ Possiamo assumere che tra le due c'è una relazione definita come: $$Y = f(X) +
 Possiamo stimare un modello $\hat{f}(X)$ di $f(X)$ usando la linear regression o altre tecniche. In questo caso il nostro errore atteso (expected squared prediction error) sarà:
 $$\text{Err}(x) = E[(Y - \hat{f}(x))^2]$$
 L'errore di previsione al punto x può essere scomposto in bias, varianza e errore irriducibile: $$\text{Err}(x) = \left(E[\hat{f}(x)] - f(x)\right)^2 + E\left[(\hat{f}(x) - E[\hat{f}(x)])^2\right] + \sigma^2_\epsilon$$$$\text{Err}(x) = \text{Bias}^2 + \text{Variance} + \text{Irreducible Error}$$
-L'errore irriducibile rappresenta il rumore nel modello reale, che non può essere ridotto da alcun modello. In situazioni reali, esiste un tradeoff tra la minimizzazione del bias e quella della varianza.
+L'errore irriducibile rappresenta il rumore nel modello reale, che non può essere ridotto da alcun modello. In situazioni reali, esiste un trade-off tra la minimizzazione del bias e quella della varianza.
 
 ![[Pasted image 20241029125726.png]]