机器学习：用matplotlib绘制拟合曲线

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

e0 = 1
e1 = 1
e2 = 1



alpha = 0.01
theta0 = np.random.uniform(0,1)
theta1 = np.random.uniform(0,1)
theta2 = np.random.uniform(0,1)
theta = np.array([theta1, theta2])

eps = 1e-4


x = np.array([[2,3],[4,6],[7,8],[12,15]])
t = np.array([5,8,14,17])


cnt = 0 #迭代次数
while(abs(e0) >= eps or abs(e1) >= eps or abs(e2) >= eps ): #这里用绝对值小于eps进行判定 如果不用绝对值的话如果有数据小于0的话会直接跳出循环
    cnt += 1
    e0 = (np.sum((x[0] * theta)) + theta0 * 1 - t[0])
    e1 = (np.sum((x[0] * theta)) + theta0 * 1 - t[0]) * x[0][0]
    e2 = (np.sum((x[0] * theta)) + theta0 * 1 - t[0]) * x[0][1]
    for i in range(1, 4):
        e0 += (np.sum((x[i] * theta)) + theta0 * 1 - t[i])
        e1 += (np.sum((x[i] * theta)) + theta0 * 1 - t[i]) * x[i][0]
        e2 += (np.sum((x[i] * theta)) + theta0 * 1 - t[i]) * x[i][1]
        #上面是求导公式
    e0 /= 5
    e1 /= 5
    e2 /= 5

    theta0 = theta0 - alpha * e0 #公式
    theta1 = theta1 - alpha * e1
    theta2 = theta2 - alpha * e2
    theta = np.array([theta1, theta2]) #每次都要对theta进行更新以便进行下次迭代
print(cnt)
print(theta0, theta1, theta2)

#至此我们已经得到了三个常数的近似值 下面绘制3D图
fig = plt.figure()
ax = Axes3D(fig)
a = np.arange(0,20) #设置两个坐标轴的长度
b = np.arange(0,20)
A,B = np.meshgrid(a,b) #生成网络格

Z = theta0 + theta1 * A + theta2 * B #把得到的theta值带入h(x)函数
plt.xlabel('x1')
plt.ylabel('x2')
ax.plot_surface(A,B,Z,rstride=3, cstride=3, cmap='rainbow') #设置跨度为3 映射颜色为彩虹色
plt.show()

可以在pycharm的file->setting->tools->python scientific中取消勾选 即可在3D图中进行旋转