目錄
1）資料處理
2）代價函式
3）scikit-learn訓練資料集
4）正規方程
練習1還包括乙個房屋**資料集，其中有2個變數（房子的大小，臥室的數量）和目標（房子的**）。 我們使用我們已經應用的技術來分析資料集。
還是那個建議，大家拿到資料先看看資料長什麼樣子。
path = 'ex1data2.txt'
data2 = pd.read_csv(path, header=none, names=['size', 'bedrooms', 'price'])
data2.head()
data2 = (data2 - data2.mean()) / data2.std()
data2.head()
data2.insert(0, 'ones', 1)
# set x (training data) and y (target variable)
cols = data2.shape[1]
x2 = data2.iloc[:,0:cols-1]
y2 = data2.iloc[:,cols-1:cols]
# convert to matrices and initialize theta
x2 = np.matrix(x2.values)
y2 = np.matrix(y2.values)
theta2 = np.matrix(np.array([0,0,0]))
# perform linear regression on the data set
g2, cost2 = gradientdescent(x2, y2, theta2, alpha, iters)
# get the cost (error) of the model
computecost(x2, y2, g2）
0.13070336960771892我們也可以使用scikit-learn的線性回歸函式，而不是從頭開始實現這些演算法。 我們將scikit-learn的線性回歸演算法應用於第1部分的資料，並看看它的表現。
from sklearn import linear_model
model = linear_model.linearregression()
model.fit(x, y)
x = np.array(x[:, 1].a1) #選取x的第1列（從0列開始）
f = model.predict(x).flatten()
fig, ax = plt.subplots(figsize=(12,8))
ax.plot(x, f, 'r', label='prediction')
ax.scatter(data.population, data.profit, label='traning data')
ax.legend(loc=2)
ax.set_xlabel('population')
ax.set_ylabel('profit')
ax.set_title('predicted profit vs. population size')
plt.show()
假設我們的訓練集特徵矩陣為 x（包含了?0=1）並且我們的訓練集結果為向量 y，則利用正規方程解出向量：
梯度下降與正規方程的比較：
梯度下降：需要選擇學習率α，需要多次迭代，當特徵數量n大時也能較好適用，適用於各種型別的模型；
正規方程：不需要選擇學習率α，一次計算得出，需要計算
# 正規方程
def normaleqn(x, y):
theta = np.linalg.inv(x.t@x)@x.t@y#x.t@x等價於x.t.dot(x)
return theta
final_theta2=normaleqn(x, y)#感覺和批量梯度下降的theta的值有點差距
final_theta2
matrix([[-3.89578088],
[ 1.19303364]])
吳恩達機器學習筆記 多元線性回歸
之前的文章中已經講述了簡單的一元線性回歸的基礎知識，現在我們來繼續討論多元線性回歸。本文針對吳恩達機器學習第二週課程多元線性回歸部分。所謂多元線性回歸正如其名字一樣，就是說這裡的變數是多個的，下面介紹一下如何表示含有多個變數情況下的假設函式 h theta x theta 0 theta 1x 1 ...
吳恩達機器學習作業Python實現 一 線性回歸
參考 import numpy as np import pandas as pd import matplotlib.pyplot as plt 讀取資料 path i 吳恩達機器學習 test1 資料集 ex1data1.txt names 新增列名，header 用指定的行為作為標題，若原無標...
吳恩達 多元線性回歸
練習1還包括乙個房屋 資料集，其中有2個變數 房子的大小，臥室的數量 和目標 房子的 我們使用我們已經應用的技術來分析資料集 匯入資料集並檢視 把資料進行歸一化 處理資料得到x，y與theta data2.insert 0,one 1 cols data2.shape 1 x2 data2.iloc...