Model Regresi Linear
Model: $y = w \cdot x$ (disederhanakan tanpa
intercept)
Loss Function: $L = \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2$ (Mean Squared Error)
Loss Function: $L = \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2$ (Mean Squared Error)
Parameter Model
Sesuaikan parameter weight untuk melihat bagaimana pengaruhnya terhadap model fit dan loss:
1.0
Total Loss (MSE):
0.000
Data Points & Garis Regresi
Loss Function vs Weight
Data Training
Dataset dengan data points sintetis dan nilai loss individual:
| # | Nilai X | Nilai Y (True) | Y Prediksi | Loss (Squared Error) |
|---|