Adiciona mais referências em regressão linear

Regressão Linear/Regressão Linear.ipynb

@@ -1578,7 +1578,7 @@
     "\n",
     "Em problemas de aprendizado de máquina, é recomendável utilizar o modelo de regressão linear como uma primeira tentativa, devido à sua simplicidade e capacidade interpretativa. Das vantagens do modelo de regressão linear podemos destacar:\n",
     "\n",
-    "1) É de fácil interpretabilidade. A variável de saída $y$ pode ser vista como uma soma das variáveis de entrada $X$ ponderada pelos parâmetros $w$. Assim, é possível saber diretamente qual variável de $X$ mais contribui para a variável de saída: a correspondente ao parâmetros com maior valor absoluto.  \n",
+    "1) É de fácil interpretação. A variável de saída $y$ pode ser vista como uma soma das variáveis de entrada $X$ ponderada pelos parâmetros $w$. Assim, é possível saber diretamente qual variável de $X$ mais contribui para a variável de saída: a correspondente ao parâmetros com maior valor absoluto.  \n",
     "2) É um modelo rápido de treinar, uma vez que o ponto de minimização dos erros quadrados pode ser encontrada analiticamente, sem necessidade de métodos iterativos.  \n",
     "3) Uma vez treinado, o regressor ocupa puco espaço de RAM.  \n",
     "4) Produz bons resultados preditivos. Normalmente, o erro do modelo linear é apenas um pouco mais alto do que os obtidos com algoritmos de aprendizado de máquina mais complexo.  \n",
@@ -1598,7 +1598,12 @@
     "\n",
     "<br/>\n",
     "2) Para entender mais:  \n",
-    "O item sobre regressão no capítulo 2 do livro [Introduction to Machine Learning](https://mitpress.mit.edu/books/introduction-machine-learning) mostra bem o dilema entre superajustamento e subajustamento. A universidade de Stanford também tem um ótimo [documento](https://web.stanford.edu/~mrosenfe/soc_meth_proj3/matrix_OLS_NYU_notes.pdf) sobre regressão linear, muito mais aprofundado do que o tratado aqui.\n",
+    "O item sobre regressão no capítulo 2 do livro [Introduction to Machine Learning](https://mitpress.mit.edu/books/introduction-machine-learning) mostra bem o dilema entre superajustamento e subajustamento. A universidade de Stanford também tem um ótimo [documento](https://web.stanford.edu/~mrosenfe/soc_meth_proj3/matrix_OLS_NYU_notes.pdf) sobre regressão linear, muito mais aprofundado do que o tratado aqui.  \n",
+    "Se você não entendeu muito bem o modelo de regressão linear eu aconselho procurar vários tutoriais e ver cada um deles até entender. Regressão linear é a pedra fundamental sobre a qual os outros algorítmos de aprendizado de máquina serão construidos. Seja diferindo, seja melhorando o modelo de regressão linear, os algorítmos mais complexos sempre tem alguma forma de comparação com o modelo visto aqui. Segue então uma lista de videos explicando regressão linear:  \n",
+    "https://www.youtube.com/watch?v=D8PNnttuGZk&index=36&list=PLAwxTw4SYaPl0N6-e1GvyLp5-MUMUjOKo  \n",
+    "https://www.youtube.com/watch?v=udJvijJvs1M&list=PLAwxTw4SYaPkQXg8TkVdIvYv4HfLG7SiH&index=195  \n",
+    "https://www.youtube.com/watch?v=kJvASBvZpw0&list=PLAwxTw4SYaPnVUrK_vL3r9tP6kuwAEzgQ&index=465  \n",
+    "\n",
     "\n",
     "<br/>\n",
     "3) Para ir além:  \n",

k_means.py

@@ -59,7 +59,7 @@ def fit(self, data):
 			for j, i in enumerate(data.values):
 
 				# acha a cistância entre a observação i e cada centro
-				dist = [np.linalg.norm(i-j) for j in self.cluster_centers_]
+				dist = [np.linalg.norm(i-j) ** 2 for j in self.cluster_centers_]
 
 				# classifica a observação i a um centro
 				clas = dist.index(min(dist))

knn.py

@@ -68,6 +68,7 @@ def score(self, X_test, y_test):
 	X = np.array(data.drop(['class'], 1))
 	y = np.array(data['class'])
 
+
 	# separa em treino e teste
 	X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y,
 																test_size=0.2)