# 代码实战解析解求解模型的方法
# numpy 是去做数值计算的
import numpy as np
# matplotlib 是关于绘图的
import matplotlib.pyplot as plt
np.random.seed(42)
# 回归:有监督的机器学习, X, y
X = 2 * np.random.rand(100, 1) # 100行一列的数组
print(len(X))
print(X)
# 这里要模拟出来的数据y是代表真实的数据,所有也就是y_hat + error
y = 5 + 4 * X + np.random.randn(100, 1)
# 为了去求解w0截距项,我们给X矩阵一开始加上一列全为1的x0
X_b = np.c_[np.ones((100, 1)), X]
# 实现解析解的公式来求解θ (θ拼写:t he ta)
θ = np.linalg.inv(X_b.T.dot(X_b)).dot(X_b.T).dot(y)
print(θ)
# 使用模型去做预测
X_new = np.array([[0],
[2]])
X_new_b = np.c_[np.ones((2, 1)), X_new]
print(X_new_b)
y_predict = X_new_b.dot(θ)
print(y_predict)
# 绘图进行展示真实的数据点和我们预测用的模型
plt.plot(X_new, y_predict, 'r-')
plt.plot(X, y, 'b.')
plt.axis([0, 2, 0, 15])
plt.show()
"""
多元线性回归
X1 = 2 * np.random.rand(100, 1)
X2 = 3 * np.random.rand(100, 1)
y = 5 + 4 * X1 + 3 * X2 + np.random.randn(100, 1)
X_b = np.c_[np.ones((100, 1)), X1, X2]
print(X_b)
θ = np.linalg.inv(X_b.T.dot(X_b)).dot(X_b.T).dot(y)
print(θ)
X_new = np.array([[0, 0],
[2, 3]])
X_new_b = np.c_[np.ones((2, 1)), X_new]
print(X_new_b)
y_predict = X_new_b.dot(θ)
print(y_predict)
plt.plot(X_new[:, 0], y_predict, 'r-')
plt.plot(X1, y, 'b.')
plt.axis([0, 2, 0, 25])
plt.show()
"""
y_predict 预测结果
y_predict 预测结果(多元)