机器学习实验1——线性回归实验

目录

[实验名称]                        线性回归实验

[实验目的]

[实验要求]

[实验原理]

[实验内容]

一. 单变量线性回归

二. 多变量线性回归

[实验代码和结果]

一．单变量线性回归

1. 实验代码

2. 结果

二．多变量线性回归

1. 实验代码

2. 结果

[小结或讨论]

（1）线性回归三大要素

（2）单变量线性回归

（3）多变量线性回归

---

[实验名称]                        线性回归实验

[实验目的]

1. 熟悉和掌握单变量线性回归算法
2. 熟悉和掌握批处理梯度下降算法
3. 熟悉和掌握多变量线性回归算法

[实验要求]

1. 采用Python、Matlab等高级语言进行编程，推荐优先选用Python语言
2. 核心模型和算法需自主编程实现，不得直接调用Scikit-learn、PyTorch等成熟框架的第三方实现
3. 代码可读性强：变量、函数、类等命名可读性强，包含必要的注释

     本实验所使用的数据集下载地址为：

     链接：https://pan.baidu.com/s/1pNmQbPfeFOyRHMdyed4KIQ?pwd=ron1 
     提取码：ron1

[实验原理]

• 
• 构建线性模型，以最小平方误差为目标函数，使用梯度下降法不断更新参数。
• 而计算梯度时，梯度

[实验内容]

一. 单变量线性回归

1.采用数据集 “data/regress_data1.csv”进行单变量线性回归实验

2.借助matplotlib 画出原始数据分布的散点图（x=“人口”，y=”收益”）

3.以最小平方误差为目标函数，构造模型的损失（误差）计算函数：

                      

其中，

4.实现批量梯度下降算法（Batch Gradient Decent）用于优化线性回归模型：

其中，

其中，