机器学习--线性回归

 单变量线性回归

• 注意：需要导入文件ex1data1.txt，ex1data2.txt
• 代码块一：

#单变量线性回归

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

path='D:\python_test\machine_learning\ex1data1.txt'
data=pd.read_csv(path,header=None,names=['Population','Profit'])

print(data.head())



#count :数量统计 ，此列共有多少有效值
#unipue:不同的值有多少个
#std:标准差
#min:最小值
#25%：四分之一分位数
#50%：二分之一分位数
#75%：四分之三分位数
#max:最大值
#mean：均值

print(data.describe())

data.plot(kind='scatter',x='Population',y='Profit',figsize=(12,8))

plt.show()

• 代码块一运行截图：
• 

 

• 代码块二：

• def computeCost(X,y,theta):
      inner=np.power(((X*theta.T)-y),2)
      return np.sum(inner/(2*len(X)))
  
  
  #在训练集中添加一列，以便于我们可以使用向量化的解决方案来计算代价和梯度
  data.insert(0,'Ones',1)
  print(data.head())
  print("---------------------")
  cols=data.shape[1] #shape[1]代表列数，shape[0]代表行数，
  print(cols)#3
  print("-------------------")
  X=data.iloc[:,0:cols-1]#0：2 选择第一到第二列
  y=data.iloc[:,cols-1:cols]#2：3选择第三列
  print(X.head())
  
  print("----------------------")
  
  print(y.head())
  
  print("----------------------")
  
  X=np.matrix(X.values)
  # print(X)
  print("----------------------")
  
  y=np.matrix(y.values)
  # print(y)
  
  theta=np.matrix(np.array([0,0]))
  
  
  print(X.shape,theta.shape,y.shape)
  
  #X为97行2列，theta为1行2列 ，y为97行1列
  
  print(computeCost(X, y, theta))#输出预测值

•  代码块二运行截图：

• 

• 总结：如果喜欢人工智能的小伙伴，推荐去看吴恩达教授的机器学习，我目前也在学习，老师讲的课通俗易懂。最后本次内容仅作为学习使用。如有侵权，联系删除
• 点赞666和收藏，私信分享源码和数据训练集