吴恩达机器学习-ex1-正规方程（标准方程）

损失函数

 

梯度下降函数

维度

X（m,n）y(m,1)  theta(n,1)

 

代码 

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# 线性回归（单变量）
# 预测food truck的收益值。ex1data1.txt:数据集，第一列表示城市人数，第二列表示该城市的food truck收益

path = 'ex1data1.txt'
data = pd.read_csv(path, header=None, names=['Population', 'Profit'])
data.head()

data.describe()

data.plot(kind='scatter', x='Population', y='Profit', figsize=(12, 8))

# 新增一例,x0
data.insert(0, 'Ones', 1)  # 这是所插入的新的变量
data.head()

cols = data.shape[1]
X = data.iloc[:, 0:cols - 1]
Y = data.iloc[:, cols - 1:cols]  # 步长

X = np.matrix(X.values)
Y = np.matrix(Y.values)
theta = np.matrix(np.array([0, 0]))


# 代价函数
def computeCost(X, Y, theta):
    inner = np.power((X * theta.T) - Y, 2)
    return np.sum(inner) / (2 * len(X))


# 正则方程(查询)
def normalEqn(X, Y):
    theta = np.linalg.inv(X.T @ X) @ X.T @ Y
    return theta


theta = normalEqn(X, Y)
# 梯度下降的theta为 matrix([[-3.24140214], [1.1272942]])
theta
#  we got one out matrix([[-3.89578088], [1.19303364]])

#  梯度下降的cost为 4.515955503078912
computeCost(X, Y, theta.reshape(1, -1))

# 画出拟合图像
x = np.linspace(data.Population.min(), data.Population.max(), 100)
f = theta[0, 0] + theta[1, 0] * x

plt.figure(figsize=(12, 8))
plt.xlabel('Population')
plt.ylabel('Profit')
l1 = plt.plot(x, f, label='Prediction', color='red')
l2 = plt.scatter(data.Population, data.Profit, label='Traing Data', )
plt.legend(loc='best')
plt.title('Predicted Profit vs Population Size')
plt.show()

 效果图