机器学习实战 单变量线性回归的实现

分享一下我老师大神的人工智能教程！零基础，通俗易懂！http://blog.csdn.net/jiangjunshow

也欢迎大家转载本篇文章。分享知识，造福人民，实现我们中华民族伟大复兴！

               

一、算法实现

由前面的理论，我们知道了用梯度下降解决线性回归的公式：

梯度下降解决线性回归思路：

算法实现：

ComputeCost函数：

function J = computeCost(X, y, theta)  m = length(y); % number of training examples J = 0; predictions = X * theta; J = 1/(2*m)*(predictions - y)'*(predictions - y);end

gradientDescent函数：

function [theta, J_history] = gradientDescent(X, y, theta, alpha, num_iters)% X is m*(n+1) matrix % y is m*1% theta is (n+1)*1 matrix% alpha is a number % num_iters is number of iterators  m = length(y); % number of training examples J_history = zeros(num_iters, 1);  %cost function的值的变化过程 %预先定义了迭代的次数 for iter = 1:num_iters  temp1 = theta(1) - (alpha / m) * sum((X * theta - y).* X(:,1));  temp2 = theta(2) - (alpha / m) * sum((X * theta - y).* X(:,2));  theta(1) = temp1;  theta(2) = temp2;  J_history(iter) = computeCost(X, y, theta); endend

二、数据可视化

我们通过算法实现能够求出函数h(x)，但是我们还需要将数据可视化：

(1)画出训练集的散点图+拟合后的直线；

(2)画出J(theta)为z轴，theta0为x轴，theta1为y轴的三维曲线；

(3)画出(2)的三维曲线的等高线图；

1.画散点图+拟合的直线

描述：给定ex1data1.txt，文件中有两列数据，每一列代表一个维度，第一列代表X，第二列代表Y，用Octave画出 散布图（Scalar Plot），数据的形式如下：

6.1101,17.592 5.5277,9.1302 8.5186,13.662 7.0032,11.854 5.8598,6.8233 8.3829,11.886 ........

答：

(1) data = load('ex1data1.txt');             %导入该文件，并赋予data变量

(2) X = data( : , 1 )；Y = data( : , 2)；    %将两列分别赋予X和Y

(3) X = [ones(size(X,1),1),X];                  %在X的左边添加一列1

(4) plot(X,Y,'rx','MarkerSize', 4);            %画图，将X向量作为X轴，Y向量作为Y轴，每个点用“x”表示，‘r’表示红点，每个点的大小为4；

(5) axis([4 24 -5 25]);                             %调整x和y轴的起始坐标和最高坐标；

(6) xlabel('x');                                         %给x轴标号为‘x’;

(7) ylabel('y');                                        %给y轴标号为‘y’;

最后见下图：

经过计算，算出theta值：

[theta,J_history] = gradientDescent(X, y, theta, alpha, num_iters);

即可通过：

plot(X(:,2), X*theta)；             %画出最后拟合的直线

以上呈现了线性回归的结果；

以下两种都是可视化J(theta)；

2. Surface Plot

描述：数据如上一题一样，我们想要绘制出对于这些数据的cost function，我们将绘制出三维图形和contour plot；

我们如果要绘制cost function，我们必须预先写好cost function的公式：

function J = computeCost(X, y, theta)

    m = length(y); 

    J = 0;

    predictions = X * theta;

    J = 1/(2*m)*sum((predictions - y) .^ 2);

end

实现：

(1) theta0_vals = linspace(-10, 10, 100);                  %从-10到10之间取100个数组成一个向量

(2) theta1_vals = linspace(-1, 4, 100);                      %从-1到4之间取100个数组成一个向量

(3) J_vals = zeros(length(theta0_vals), length(theta1_vals));   %初始化J_vals矩阵，对于某个theta0和theta1，J_vals都有对应的cost function值；

(4)计算每个（theta0，theta1）所对应的J_vals；

for i = 1:length(theta0_vals)

    for j = 1:length(theta1_vals)

  t = [theta0_vals(i); theta1_vals(j)];    

  J_vals(i,j) = computeCost(X, y, t);

    end