吴恩达2022机器学习专项课程C1W1：实验Lab_03 模型表示

目标

学习如何使用一个变量实现线性回归模型。

导入需要的库

导入numpy库和matplotlib.pyplot模块，分别将其缩写成np,plt。

问题陈述

这是真实的训练集，[1.0,2.0]是房子的大小，[300,500]是房子的价格。通过该训练集拟合一个线性模型。

使用数组存储训练集的数据：

训练样本数量

由于我们要计算每一行训练样本的预测值，所以要知道一共有多少行训练样本，也就是求出m的值。

索引训练样本

绘制训练集的数据点

把训练集的每行训练样本，以数据点的形式绘制在图表里。

初始化w和b

设置模型需要的w，b，w，b实际上需要计算出来的，后续会讨论，不同的w，b会表示出不同的直线。

计算线性回归的预测值函数

每一行的训练样本都需要计算出一个预测值，因此m的作用体现出来了，用于循环。

• f_wb = np.zeros(m)：为了方便存储每一行训练样本的预测值，因此需要创建一个初始值为0，元素数量为m个的数组。示例中的m=2，它就是这个样子:【0. 0.】
• w*x[i]+b:线性回归的计算公式，x[i]表示第一行训练样本的特征。
• f_wb[i]：存储第i-1行训练样本的预测值。

绘图线性回归预测值的图表

代码

绘制模型，蓝色线条没有拟合数据点，也就是说，模型预测的y值和真实的数据点y值差距很大。因为我们设置的w和b不合适。

尝试不同的w和b

由于给出了正确的w和b，线性回归模型才能够完美预测，但如果使用不同的w和b，例如更换成w=200和b=100，结果如何？

先修改w和b

输出结果

输出结果含义：按照我们初始化好的w和b的值，通过给定的x[1,2]和线性回归函数，计算出的预测值是准确的（预测值y帽[300,500]和训练集的y[300,500]），也就是说，我们的线性回归模型能够完美预测。

使用模型示例

经过上述的调整，我们找到了合适的w和b，因此我们的模型就可以用来预测房价了。