(python作业）房价预测

1、代码实现
# 计算赤峰面积和房价之间的关系

import numpy as np
import matplotlib.pyplot as plt

# 构建数据集
data = []
# (70-90,90-100,100-110,110-130)
for i in range(300):
    # 面积(训练集)
    area = np.random.uniform(60, 100)
    # 房价
    eps2 = np.random.uniform(60, 62)
    # bias
    eps3 = np.random.uniform(200., 700.)
    # 总房价(标签)
    price = eps2 * area + eps3  # 随机生成一个线性方程，大小为（500，1）
    data.append([area, price])
data = np.array(data)  # 数据集创建完毕 2维数组 [面积,房价]

# 将参数分出来方便之后的使用
area = data[:, 0]
price = data[:, 1]
# 绘制原始数据
plt.title("Area-Price")  # 标题名
plt.scatter(area, price, s=10)  # 设置为散点图
plt.xlabel("area")  # x轴的标题
plt.ylabel("price")  # y轴的标题
plt.show()  # 绘制出来

# 创建一个loss值的list
loss_list = []


def mse(b, w, data):  # 根据当前的 w,b,参数计算均方差损失
    TotalError = 0  # 记录总误差
    for i in range(0, len(data)):
        x = data[i, 0]
        y = data[i, 1]
        TotalError += (y - (w * x + b)) ** 2
    return TotalError / float(len(data))


def gradient_update(b, w, data, lr):
    b_gradient = 0
    w_gradient = 0
    size = float(len(data))
    for i in range(0, len(data)):
        x = data[i, 0]
        y = data[i, 1]
        # 计算梯度
        b_gradient += (2 / size) * ((w * x + b) - y)
        w_gradient += (2 / size) * x * ((w * x + b) - y)
    # 根据梯度更新权重和偏置
    b -= lr * b_gradient
    w -= lr * w_gradient
    return [b, w]


# 梯度下降法
def gradient_descent(data, b, w, lr, num_iterations):
    # 因为没有batch,所以num_iterations即为epoch
    for num in range(num_iterations):
        # 更新参数
        b, w = gradient_update(b, w, data, lr)
        # 计算损失值并添加到损失列表
        loss = mse(b, w, data)
        loss_list.append(loss)
        print('iteration:[%s] | loss:[%s] | w:[%s] | b:[%s]' % (num, loss, w, b))
    return [b, w]


def main():
    lr = 0.00001
    initial_b = np.random.randn(1)
    initial_w = np.random.randn(1)
    num_iterations = 100  # 因为没有batch,所以num_iterations即为epoch
    [b, w] = gradient_descent(data, initial_b, initial_w, lr, num_iterations)
    loss = mse(b, w, data)
    print('Final loss:[%s] | w:[%s] | b:[%s]' % (loss, w, b))
    # 损失函数
    plt.title("Loss Function")  # 标题名
    plt.plot(np.arange(0, 100), loss_list)
    plt.xlabel('Interation')
    plt.ylabel('Loss Value')
    plt.show()
    # 绘制
    y2 = w * area + b
    print(w * 100 + b)
    plt.title("Fit the line graph")  # 标题名
    plt.scatter(area, price, label='Original Data', s=10)  # 设置为散点图
    plt.plot(area, y2, color='Red', label='Fitting Line', linewidth=2)
    plt.xlabel('m_j')
    plt.ylabel('j_g')
    plt.legend()
    plt.show()
main()
2.代码结果