线性回归样例代码+波士顿房价预测讲解

不想吐槽这本书了，很奇葩的处理逻辑，很多细节都没照顾到。

代码如下：

import numpy as np
import matplotlib.pyplot as plt
#数据 一行50个的等差序列
x = np.arange(0.,10.,0.2)
#m为数据规模 50个
m = len(x)
#这个处理很sb 就是相当于在原数据加一列，这一列的值恒为1。这样用权重w乘的时候这一列就是偏执值了
x0 = np.ones(m)
#将元数据和x0组合在一起并且求其转置矩阵
input_data = np.vstack([x0,x]).T
#目标值target
target_data = 2*x+5+np.random.randn(m)

#最大循环次数
loop_max = 1000
#更新前后theta的差值最小值
epsilon = 1e-3

np.random.seed(0)
#权重
theta = np.random.randn(2)
#学习率
alpha = 0.001
#上一次的theta
error = np.zeros(2)
#记录训练次数
count = 0
finish = 0
while count < loop_max:
    count+=1
    sum_w = np.zeros(2)
    #下面就是梯度更新 不懂得看上两篇blog
    for i in range(m):
        for j in range(2):
            sum_w[j] += (target_data[i]-theta.dot(input_data[i,:]))*(-input_data[i,j])
    theta = theta - (alpha*sum_w)
    #欧氏距离
    if np.linalg.norm(theta - error) < epsilon:
        finish = 1
        break
    else:
        error = theta
    print('loop count = %d'%count,'\t:',theta)
print('loop count = %d'%count,'\tw:',theta)
#画图很简单 不说了
plt.figure()
plt.plot(x,theta[1]*x+theta[0],color='b')
plt.scatter(x,target_data,color='r')
plt.show()

运行结果如下图：

下面是波士顿房价预测代码很简单 注意一下传入LinearRegression函数的格式就好了：

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import sklearn
from sklearn.linear_model import LinearRegression
from sklearn import datasets
boston_dataset = datasets.load_boston()
# print(boston_dataset)
data = pd.DataFrame(boston_dataset.data)
# print(data)
data.columns=boston_dataset.feature_names
data['price']=boston_dataset.target
x = data.loc[:,'RM'].values
y = data.loc[:,'price'].values
# print(x)
x = np.array(x).reshape(1,-1).T//在新版的sklearn中，所有的数据都应该是二维矩阵。reshape(-1,1)将一维数组转为二维数组
y = np.array(y).reshape(1,-1).T//注意传入LinarRegression的格式 要.T转置一下
l = LinearRegression()
l.fit(x,y)
plt.scatter(x,y,s=10,color='r')
plt.plot(x,l.predict(x),color='b')


plt.show()

运行结果如下图：