本文介绍了如何在机器学习的线性回归模型中使用梯度下降法。首先，构建了一个包含100个样本的一维数据集，通过线性方程加上噪音生成目标变量y。接着详细阐述了梯度下降法的步骤，包括计算代价函数、梯度函数，以及执行梯度下降求解参数。最后，将相关代码封装到LinearRegression类中，并进行了测试，验证了梯度下降法的有效性。
一. 构建一个简单的数据集
1. 导入需要的模块和包：
import numpy as np
import matplotlib.pyplot as plt2. 生成一组一维向量x，有100个样本，每个样本只有一个特征。通过线性方式生成y，y = 3x + 4 + 噪音。
np.random.seed(666)
x = 2 * np.random.random(size=100)
y = x * 3. + 4. + np.random.normal(size=100)3. 查看一下x的维度和y的维度：
将x进行reshape操作：
查看数据的分布：
二. 使用梯度下降法训练
计算公式如上。
（1）求代价函数：
最低0.47元/天 解锁文章
409
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
