一元线性回归的python实现：单因素的波士顿房价预测

张向南zhangxn

已于 2023-10-31 12:18:48 修改

阅读量312

点赞数 3

分类专栏：神经网络学习记录文章标签：线性回归 python 算法

于 2023-10-31 12:17:03 首次发布

本文链接：https://blog.csdn.net/bgshuxuanzxn/article/details/134137452

版权

神经网络学习记录专栏收录该内容

9 篇文章 0 订阅

订阅专栏

利用一元线性回归的解析解公式：

$w=\frac{\sum_{1}^{n}(x_{i}-\bar{x})(y_{i}-\bar{y})}{\sum_{1}^{n}(x_{i}-\bar{x})^{2}}$

$b=\bar{y}-w\bar{x}$

数据来源于tensorflow.keras的内置数据集boston_housing，通过切片只取平均房间数作为自变量，利用tensorflow进行矩阵运算。

版本一如下：

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

def weight(x,y):
    x_mean=tf.reduce_mean(x,0)
    y_mean=tf.reduce_mean(y,0)
    n=len(x)
    i=1
    fenzi=0
    fenmu=0
    while i<=n:
        fenzi=fenzi+(x[i-1]-x_mean)*(y[i-1]-y_mean)
        fenmu=fenmu+(x[i-1]-x_mean)**2
        i=i+1
    weight=fenzi/fenmu
    return weight

def bias(x,y,w):
    x_mean=tf.reduce_mean(x,0)
    y_mean=tf.reduce_mean(y,0)
    bias=y_mean-w*x_mean
    return bias

#main

boston_housing=tf.keras.datasets.boston_housing
(train_x,train_y),(test_x,test_y)=boston_housing.load_data(test_split=0)
room=train_x[:,5]

w=weight(room,train_y)
b=bias(room,train_y,w)

print("拟合结果 w=%f,b=%f" % (w,b))

y_pred=tf.constant(w*room+b)

plt.rcParams["font.sans-serif"]="SimHei"

plt.figure()
plt.scatter(room,train_y,color="red",s=2,label="原始数据")
plt.scatter(room,y_pred,color="blue",s=2,label="预测房价")
plt.plot(room,y_pred,label="拟合曲线")

plt.xlabel("平均房间数")
plt.ylabel("房价")

plt.xlim(2.5,10)

plt.suptitle("一元线性回归波士顿房价预测" ,fontsize=17)

plt.legend()
plt.show()

后来发现可以利用对矩阵中元素求和来代替函数weight( )里的循环算法，于是对这个函数的定义作了调整：

def weight(x,y):
    x_mean=tf.reduce_mean(x,0)
    y_mean=tf.reduce_mean(y,0)
    n=len(x)
    i=1
    fenzi=tf.reduce_sum((x-x_mean)*(y-y_mean))
    fenmu=tf.reduce_sum(pow((x-x_mean),2))
    weight=fenzi/fenmu
    return weight

输出结果如下