机器学习——多变量线性回归

房价预测问题

这里我们还是用房价预测的问题来举例说明，你有一个房子需要转卖，但不知道 能卖多少，需要进行预测，而对于房子能卖多少钱，能对这个结果产生影响的不单单是，房屋的面积了，房子的地理位置，房子的楼层数等都会对价格产生影响，这样我们就需要使用多变量线性回归来预测房价了

解决思路

1.这里我们需要先去处理一下数据，先对模型的特性值进行特征缩放，为什么要进行特征缩放呢，
第一点是可以帮助梯度下降更快的收敛
第二点是帮助每个模型找到合适的权重，不会对范围较大的特征投入大量的精力
这里的特征缩放我们用到的是标准化x=(x-μ)/σ 而他的系数μ代表的是平均值σ代表的是标准差
2.接下来我们需要去定义模型h_θ(x)=θ₀+θ₁X+θ₂X，因为矩阵的向量的性质我们可以把原式写成h_θ(x)=Xθ，这样可以表示多个特征对结果的影响
3.模型定义好后需要看一下预测的值与实际值的差距，
这就用到了代价函数J(θ)=1/(2m)${\sum }_{i=1}^m(h(x^i)-y^i{)}^2$
4.计算完代价后就要开始梯度下降更新θ，为了控制梯度下将的的速度，我们可以加一个学习率α
这个过程我们可以类比自行车下坡，学习率过小时，θ更新的慢，就像是你下坡时踩着刹车一样，
而学习率过大时，可能会越过最低点，导致θ无法收敛，找不到最好的θ，这个就像是下坡时你还加速往下冲，就会导致在临近坡底时，速度过快控制不了这个速度。
5.最后在测一下这个模型的精度看一下这个模型的好坏(1-μ)v，系数μ代表预测值与实际值的方差
v代表真实值与平均值的方差

代码展示

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 读取数据
data = np.loadtxt(r'C:\Users\shy\PycharmProjects\untitled\week3\ex1data2.txt',delimiter=','