第三章 线性模型

参考：https://blog.csdn.net/snoopy_yuan/article/details/64921495

题

数据集3.0α

3.1

$f(x)={\omega }^{T}x+b$ 中，${\omega }^T$ 和b有各自的意义，简单来说，${\omega }^T$决定学习得到模型(直线、平面)的方向，而b则决定截距，当学习得到的模型恰好经过原点时，可以不考虑偏置项b。偏置项b实质上就是体现拟合模型整体上的浮动，可以看做是其它变量留下的偏差的线性修正，因此一般情况下是需要考虑偏置项的。但如果对数据集进行了归一化处理，即对目标变量减去均值向量(也可以是随便一个样本)，此时就不需要考虑偏置项了。

3.2

3.3

import numpy as np
import matplotlib.pyplot as plt
import numpy.linalg as ln
from sklearn.linear_model import LogisticRegression

# 读取数据,其中前8个是好瓜，后9个是坏瓜,一共17个数据
density = np.array([0.697,0.774,0.634,0.608,0.556,0.403,0.481,0.437,0.666,0.243,0.245,0.343,0.639,0.657,0.360,0.593,0.719])
sugar = np.array([0.460,0.376,0.264,0.318,0.215,0.237,0.149,0.211,0.091,0.267,0.057,0.099,0.161,0.198,0.370,0.042,0.103])
goodMelon=np.array([1,1,1,1,1,1,1,1,0,0,0,0,0,0,0,0,0])
#1.准备数据
X