吴恩达机器学习第一次作业小计
最近再看吴恩达的机器学习教程,看完第一节做了一下对应的作业,第一次作业不难,但是在完成的过程也遇到了一点小麻烦,其中一个由于粗心导致的问题调试了好久才发现,下面简单做一下记录。
作业是单变量的线性回归,有两列数,分别是population和profit。现在需要计算得到一个线性函数根据population预测得到profit。
首先读入数据,数据大概长下面这样。
path = 'C:/Users/ASUS/Desktop/2.txt' #路径根据实际情况写
data = pd.read_csv(path, header=None, names=['Population', 'Profit'])
然后要简单处理一下数据,因为我们要做的是用y=w0*x+w1来拟合上述数据,先把x和y搞出来并变成矩阵方便后续计算处理。
data.insert(0,'ones',[1]*data.shape[0]) #添加一列全是1的
x = data.ix[:,0:-1]
y = data.ix[:,-1]
x=np.mat(x)
y=np.mat(y)
之后就初始化一个[w0,w1],利用梯度下降进行迭代得到最优的权值。
theta = np.matrix(([0.],[0.]))
def gradient(lr, num, x, y, theta):
para_num = theta.ravel().shape[1]
for i in range(num):
error = (x*theta-y.T)
for n in range(para_num):
term = error.T*x[:,n]/(x.shape[0])
theta[n,0] = theta[n,0] - term[0,0]*lr
return theta
就在这里我犯了一个大错导致后续计算结果完全不对,但是我在初始化[w0,w1]时,是用theta = np.matrix(([0],[0])) 完成的,这样导致theta中的值默认是整型,后续用theta[n,0] = theta[n,0] - term[0,0]*lr更新theta值时,由于theta[n,0] - term[0,0]*lr计算得到的结果基本都小于1,这样导致theta的值一直是0。
反思完了,下面进行拟合效果展示。
theta = gradient(0.01,10,x,y,theta)
m=np.arange(25)
n=theta[0,0] +theta[1,0]*m
plt.scatter(np.array(data['Population']),np.array(data['Profit']),color='r')
plt.plot(m,n,color='b')
plt.show()