Random Training Algorithm - Linear Regression

Este projeto implementa um algoritmo de treinamento aleatório para ajuste de um modelo de regressão linear simples, utilizando a linguagem C++. O modelo ajusta parâmetros como o peso (slope) e o bias (intercept) de maneira iterativa, utilizando amostras aleatórias dos dados de entrada em cada época.

Funcionalidades

• Previsão com Regressão Linear: O modelo realiza previsões com base em uma relação linear simples entre os dados de entrada e as saídas esperadas.
• Treinamento Aleatório: A cada época, uma amostra aleatória dos dados de treino é selecionada para atualizar os parâmetros do modelo.
• Erro Quadrático Médio (MSE): A função de erro utilizada é o erro quadrático médio (Mean Squared Error - MSE), calculado entre as previsões e os valores reais.
• Atualização dos Parâmetros: Os parâmetros (peso e bias) são ajustados utilizando o gradiente descendente em cada amostra selecionada aleatoriamente.
• Predições: Após o treinamento, o modelo pode ser testado em novos dados para realizar previsões.

Estrutura do Código

1. Função predict: Calcula a predição do modelo linear dado os parâmetros peso, bias, e um valor de entrada.
2. Função calculate_mse: Calcula o erro quadrático médio (MSE) entre as previsões do modelo e os alvos.
3. Função train_randomly: Implementa o treinamento do modelo de regressão linear, selecionando aleatoriamente amostras dos dados de treino e atualizando os parâmetros com base no erro.
4. Função main: Define os dados de entrada e saída, inicializa os parâmetros, realiza o treinamento e testa o modelo com novos dados.

Como Usar

1. Dados de Entrada: Os dados de treino consistem em um conjunto de entradas (inputs) e alvos (targets), que seguem uma relação linear simples.
2. Treinamento: O modelo é treinado por um número fixo de épocas (epochs) com uma taxa de aprendizado (learning_rate).
3. Teste: Após o treinamento, o modelo realiza previsões para novos dados.

Exemplo de Uso

No exemplo, o modelo é treinado com dados que seguem a relação linear y = 2x. Depois de 1000 épocas, o modelo pode fazer previsões para novos valores de x.

Epoch: 0 | Error: -0.0 | Weight: 0.0 | Bias: 0.0
...
Epoch: 900 | Error: -0.0007 | Weight: 1.9999 | Bias: 0.0001
Predição para 6.0: 12.0002
Predição para 7.0: 14.0003
Predição para 8.0: 16.0004