简单实例实现深度学习(1/3)线性模型

---

Lesson-01-代码复现与参考答案

# 导入包
# 用于加载波士顿房价数据集
from sklearn.datasets import load_boston 
# pandas工具包 对于pandas陌生的同学可以参考官方10分钟上手教程：https://pandas.pydata.org/pandas-docs/stable/10min.html
import pandas as pd 
# seaborn 用于画图
import seaborn as sns
import numpy as np # numpy
# 显示画图
%matplotlib inline

data = load_boston() # 加载数据集
data.keys() # data的里面的字段

dict_keys([‘data’, ‘target’, ‘feature_names’, ‘DESCR’, ‘filename’])

dataframe = pd.DataFrame(data['data'])
dataframe.head(5) # 查看dataframe的前5行，我们可以看到列名是数字

dataframe.columns = data['feature_names'] # 将数字列名替换为特征的名字
dataframe.head(5)

dataframe['price'] = data['target'] # target为房价，也是我们的目标值，我们将目标值赋值给dataframe
dataframe.head(2)

sns.heatmap(dataframe.corr(), annot=True, fmt='.1f') # 查看特征与price的相关性系数，正相关和负相关

import matplotlib.pyplot as plt
plt.scatter(dataframe['RM'], dataframe['price'])

# 查看部分特征与price的数据分布展示 
plt.figure(figsize=(20, 5))

features = ['LSTAT', 'RM']
target = dataframe['price']

for i, col in enumerate(features):
    plt.subplot(1, len(features) , i+1)
    x = dataframe[col]
    y = target
    plt.scatter(x, y, marker='o')
    plt.title('{} vs price'.format(col))
    plt.xlabel(col)
    plt.ylabel('price')

np.subplot用来 使得图一行放两个

x = dataframe['RM'] 

y = dataframe['price']
history_notes = {_x : _y for _x, _y in zip(x, y)}

用历史数据来预测未曾见到的过的数据，最直接的方法

K-Neighbor-Nearst

def knn(query_x, history, top_n=3):
    sorted_notes = sorted(history.items(), key=lambda x_y: (x_y[0] - query_x) ** 2) 
    similar_notes = sorted_notes[:top_n]
    similar_ys = [y for _, y in similar_notes]
    
    return np.mean(similar_ys)

knn(5.4, history_notes)

15.700000000000001

为了更快的获得结果，我们希望通过拟合函数来获得预测能力$$f(rm)=k\ast rm+b$$

Random Approach

$$Loss(k,b)=\frac{1}{n}\sum _{i\in N}(\widehat{y_i}-y_i{)}^2$$
$$Loss(k,b)=\frac{1}{n}$$