Python实现单变量线性回归和梯度下降

最新推荐文章于 2022-02-25 23:45:40 发布

Thomas Lok1997

最新推荐文章于 2022-02-25 23:45:40 发布

阅读量438

点赞数 1

本文链接：https://blog.csdn.net/qq_41770617/article/details/107609763

版权

本文介绍了如何使用Python实现单变量线性回归，并探讨了梯度下降法在该过程中的应用，详细解释了线性回归的目标——最小化参数θ的代价函数。内容包括单变量线性回归的假设和梯度下降的具体步骤，同时提供了相关习题及输出结果。

摘要由CSDN通过智能技术生成

参考链接:https://blog.csdn.net/ziqu5721/article/details/84788395?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.channel_param&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.channel_param

线性回归的目标是最小化参数θ为特征函数的代价函数在这里插入图片描述
假设

 def computeCost(X,Y,theta):
    h = X.dot(theta.T)
    cost = np.power((h - Y),2)
    j = np.sum(cost)/(2 * len(X))
    return j

单变量线性回归梯度下降：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
path = 'ex1data1.txt'
df = pd.read_csv(path,header=None,names=["Population","Profit"])
print(df.head)   #看数据的前五项
print(df.describe())
print(df.info)

def computeCost(X,Y,theta):
    h = X.dot(theta.T)
    cost = np.power((h-Y),2)
    j = np.sum(cost)/(2*len(X))
    return j

df.insert(0,"x_0",1)

X = df.loc[:,"x_0":"Population"]