1-单变量的房价预测－－线性回归问题

最新推荐文章于 2023-05-23 16:11:33 发布

爱抠脚的coder

最新推荐文章于 2023-05-23 16:11:33 发布

阅读量2.4k

点赞数 4

分类专栏： ML 文章标签：单变量的房价预测线性回归

本文链接：https://blog.csdn.net/m0_37393514/article/details/82657033

版权

本文介绍了使用Python和TensorFlow解决单变量房价预测问题，通过线性回归模型实现。首先，作者展示了如何自编基础代码，包括数据预处理、梯度下降算法和代价函数计算。然后，利用TensorFlow简化实现，并探讨了学习率的选择。最后，文章提到了正规方程作为替代方法，但指出其局限性。

摘要由CSDN通过智能技术生成

下面所讲的问题，是第一节ml课老师布置的一个编程题，题目的要求如下：

下面我使用的语言是python,主要提供两种方法：

第一种是基于tensorflow的方法，第二种是自己进行损失的计算和梯度下降算法的书写。本人代码水平有限，欢迎大佬们指错！

一、自己编写最基础的代码，为了让结构更清晰，我多建了几个py文件，这样可以很清楚的看到每一个py文件做了什么。

文件目录如下：当然你可以不跟我一样，随便自己啦

建立一个名字为houseprice的文件夹，下面存在以下的文件，我现在列出他们的名字，根据名字你可以大致猜出每一个文件的作用，有house.txt存储的是房子的数据，第一列是房子的年份，第二列是房子的价格，中间以空格隔开；

file2_matrix.py将txt文件里面的数据变成一个矩阵的形式，这个文件返回的是一个矩阵，这个矩阵的第一列是房子的年份，第二列是房子的价格；

plot_data.py用来绘制我的数据的，ｘ轴为年份，ｙ轴为房价；不仅这个函数会绘制出我们的数据点的散点图，还绘制出我们的拟合直线；

normalization.py进行数据的归一化操作（我之前认为只有一个特征的问题是无需进行归一化操作的，所以我直接将数据进行线性回归，但是发现最后出现的结果为nan，出来的拟合结果是一条接近水平的直线，很显然我们的数据是递增的！我在octave上跑了一遍，发现提示我可以scale data,我就试了一下，还真行了）；

compute_cost.py很显然是来计算代价的，根据公式 $J(\theta)=\frac{1}{2m}\sum_{i=1}^{m}(h_{\theta}(x^{(i)})-y^{(i)})^2,h(x^{(i)})=\theta_0+\theta_1x^{(i)}$ ,注意这里的上标ｉ表示的是对第几个样本来讨论；

gradient_descent.py是进行梯度下降来最优化参数theta的函数；

total.py将以上得代码汇总之后，运行得到我们想要的结果；

chooce_lr.py我想看看有没有最佳的学习率，又写了一个根据不同的学习率来比较谁能够让问题更快的收敛。

数据和代码详见：

house.txt:

2000 2.000
2001 2.500
2002 2.900
2003 3.147
2004 4.515
2005 4.903
2006 5.365
2007 5.704
2008 6.853
2009 7.971
2010 8.561
2011 10.000
2012 11.280
2013 12.900

file2matrix.py:

import numpy as np
def file2matrix(filename):
    fr=open(filename)
    arrayolines=fr.readlines()
    numberoflines=len(arrayolines)
    returnmat=np.zeros((numberoflines,2))
    index=0
    for line in arrayolines:
        line=line.strip()
        listfromline=line.split(' ')
        returnmat[index,:]=listfromline[0:2]
        index=index+1
    return returnmat,numberoflines

if __name__=='__main__':
    print(file2matrix("./house.txt"))

plot_data.py:这里绘制数据，我的参数写的*args，这是为了有时候对绘图的要求不一样，传入的参数也不一样，*args可以传递任意数量个参数，比如说当我想要仅仅绘制我的原始数据的图像的时候，那么我直接传入的参数为file2matrix.py的第一个返回值returnmat，但是如果我想既绘制原始的图像也要绘制拟合的直线，我需要传入的参数还有 $X\Theta$ 。（这里的字体设置你可以全部丢掉