В линейной регрессии настраиваются:

Давайте разберемся, почему именно этот вариант является правильным ответом:

• Веса признаков: В линейной регрессии мы пытаемся найти оптимальные значения для весов (коэффициентов) каждого из признаков (факторов), которые влияют на предсказание целевой переменной. Эти веса определяют, насколько сильно каждый признак влияет на результат.
• Смещение (или свободный член): Это дополнительный параметр, который добавляется к модели, чтобы учесть смещение, то есть значение целевой переменной, когда все признаки равны нулю. Смещение помогает улучшить точность модели.

Теперь рассмотрим другие варианты:

• Шаг градиентного спуска: Это параметр, который используется в процессе оптимизации, но не является тем, что настраивается в самом процессе линейной регрессии. Шаг градиентного спуска определяет, насколько большими будут шаги при обновлении весов, но не является объектом настройки модели.
• Глубина дерева: Этот параметр относится к алгоритмам, использующим деревья решений, а не к линейной регрессии. Глубина дерева определяет, сколько уровней может иметь дерево, что не имеет отношения к линейной модели.
• Число базовых моделей: Этот термин также относится к ансамблевым методам, таким как бэггинг или бустинг, а не к линейной регрессии.

Таким образом, правильный ответ - это "веса признаков и смещение". Эти параметры настраиваются в процессе обучения модели линейной регрессии для достижения наилучших предсказаний.