机器学习之简单线性回归(最小二乘法)

zyt温柔发

0.引入依赖
import numpy as np
import matplotlib.pyplot as plt
1.导入数据(data.csv)(data.csv成绩与学习时间的100×2矩阵)

points = np.genfromtxt("data.csv",delimiter=',')

#提取points中的两列数据，分别作为

x，yx = points[:,0]

y = points[:,1]

# 用plt画出散点图

p

lt.scatter(x,y)

plt.show()

2.定义损失函数
# 损失函数是系数的函数，另外还要传入数据的x，y
def computer_cost(w,b,points):   
      total_cost = 0   
      M = len(points)   
# 逐点计算平方损失误差，计算平均数   
       for i in range(M):        
             x = points[i,0]        
             y = points[i,1]        
             total_cost+= (y-w*x-b)**2   
       return total_cost/M       ### 1//3取整 1/3浮点型
3.定义算法拟合函数
# 先定义一个求平均数的函数
def average(data):   
      sum = 0   
      num = len(data)   
      for i in range(num):        
            sum+= data   
      return sum/num
# 定义核心拟合函数
def fit(points):   
      M = len(points)   
      x_bar = average(points[:,0])   
      sum_yx = 0   
      sum_x2 = 0   
      sum_delta = 0   
      for i in range(M):      
           x = points[i,0]        
           y = points[i,1]        
          sum_yx+=y*(x-x_bar)        
          sum_x2+=x**2   
      # 根据公式计算w   
      w = sum_yx/(sum_x2-M*(x_bar**2))   
      for i in range(M):      
           x = points[i,0]        
           y = points[i,1]        
           sum_delta+=(y-w*x)   
      b = sum_delta/M   
      return w,b
4.测试
w,b = fit(points)
print('w is:',w)
print('b is:',b)
cost = computer_cost(w,b,points)
print("cost is:",cost)
w is: 1.3224310227553846
b is: 7.991020982269173
cost is: 110.25738346621313
5.画出拟合曲线
plt.scatter(x,y)
# 针对每一个x，计算出预测的y值
pred_y = w*x+b
plt.plot(x,pred_y,c='r')
plt.show()

数据： data.zip (2.1 KB, 下载次数: 26)

2020-3-13 11:04 上传

点击文件名下载附件

红人馆0910

没有bug吧？

雨落惊鸿，

牛啊。。。。