机器学习实战——标准线性回归和加权线性回归算法

最新推荐文章于 2024-06-05 08:00:00 发布

鹰立如睡

最新推荐文章于 2024-06-05 08:00:00 发布

阅读量757

点赞数

分类专栏：人工机器智能文章标签：机器学习

本文链接：https://blog.csdn.net/lvgaoyanh/article/details/105269503

版权

本文深入探讨了机器学习中的标准线性回归和加权线性回归算法，结合实战代码，详细解析了这两种算法的原理和应用，帮助读者理解和掌握线性回归在实际问题中的运用。

摘要由CSDN通过智能技术生成

'''
机器学习实战章8
一个矩阵x(样本数据属性矩阵)和y(样本数据y矩阵)可拟合出一条直线
标准线性回归只拟合出一条直线，局部加权线性回归共更新x矩阵m-1次，在相邻两个数据之间都回归出直线,共得到m-1条直线，连接起来就近似曲线了
改变lwlr()函数的k值，可以改变曲线的平滑度和拟合度，大家有兴趣可以试试
本代码使用的资源和文件在文末
'''
from numpy import *

'''
 该函数解析用tab键分离的文本文件,若该文件内有m条数据
 dataMat:如其名，属性矩阵，m x 2
 labelMat：y值矩阵，m x 1
'''
def loadDataSet(fileName):
    numFeat = len(open(fileName).readline().split('\t')) - 1 #获取属性数，前两列是属性，最后一列是y值
    dataMat = []; labelMat = []
    fr = open(fileName)
    for line in fr.readlines():
        lineArr =[]
        curLine = line.strip().split('\t')
        for i in range(numFeat):
            lineArr.append(float(curLine[i]))
        dataMat.append(lineArr)
        labelMat.append(float(curLine[-1]))
    return dataMat,labelMat #函数有多个返回值其实是返回了一个tuple

"""
标准回归，计算最佳拟合直线
返回m x 1的回归系数矩阵