机器学习之多变量线性回归算法（四）梯度下降和特征缩放

特征缩放

特征缩放是数据处理中很重要的一环，因为各个特征之间如果数量级差距过大，会导致梯度下降很难去收敛，今天所用到的是特征缩放的经典算法，标准化。
含义是：数据减去数据集的均值，再除以数据的标准差
公式是：X（数据集）= （X - np.mean(X,axis=0)）/(np.std(X,axis=0))
其中的参数axis = 0 表示对矩阵的列进行操作

代码如下

import numpy as np
from matplotlib import pyplot as plt
# 读取数据
data = np.loadtxt(r'D:\PycharmProjects\MachineLearning\day03\ex1data2.txt',delimiter=',')# delimiter表示用什么分隔符切割数据
# 数据提取
X = data[:,:-1]
y = data[:,-1]


# 数据预处理
def reprocess(X,y):
    # 特征缩放
    fenzi = X - np.mean(X,axis=0)
    fenmu = np.std(X,axis=0,ddof=1)
    X = fenzi/fenmu
    # 数据拼接
    X = np.c_[np.ones(len(X)),X]
    y = np.c_[y]
    return X,y


# 调用数据处理函数，获得处理好的数据
X,y = reprocess(X,y)
# 将数据切割为训练集和预测集
d = int(0.7 * len(X))
X_train,X_test = np.split(X,[d])
y_train,y_test &