线回与非线回---梯度下降法--多元线性回归

最新推荐文章于 2022-07-04 22:01:12 发布

perkz

最新推荐文章于 2022-07-04 22:01:12 发布

阅读量165

点赞数

本文链接：https://blog.csdn.net/perkz/article/details/104408047

版权

本文探讨了使用梯度下降法解决多元线性回归问题，通过实例展示了数据切分和参数更新的过程。作者在总结中提到对add_subplot函数参数和scatter函数中的s参数含义存在疑问，期待得到解答。

摘要由CSDN通过智能技术生成

前言：

这次我来使用梯度下降法来解决多元线性回归问题，实际问题中每个事物都带有很多属性，一个参数往往只出现于理想情况，因此解决多元问题是很重要的。

正文：

import numpy as np
from numpy import genfromtxt
#genfromtxt使用的比较频繁
#就把他拉出来单独用了，不用次次都调用np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
#mpl_toolkits.mplot3d是用来画3d图的
#参数多了，就需要多维平面来解决问题了

#读入你需要使用的数据
data=genfromtxt("Delivery.csv",delimiter=',')
print(data)

数据展示如下：
在这里插入图片描述

#切分数据
#这里我希望y_data代表的是theta0
#x_data代表除theta0以外的参数
#因此切分数据时把第一和第二列给x_data,最后一列给y_data
#代表了最后一列是theta0的值，其余为其他参数的值
x_data = data[:,:-1]
y_data = data[:,-1]
print(x_data)
print(y_data)

数据切分情况，看得出来成功切成了两部分：
在这里插入图片描述

#学习率
lr = 0.0001
#设置参数，只不过参数由一元变成了多元，想要几个就设置几个
theta0 = 0
theta1 = 0
theta2 = 0
#最大迭代次数
epochs = 1000
#最小二乘法，这一步仍然是在算j（theta）
def compute_error(theta0,theta1,theta2,x_data,y_data