2021-04-23

---

前言

这是我今年考上深圳大学研究生以来第一次写博客，今后研究的方向主要也是机器学习，所以很想用博客写下日常所学的知识。首先申明数据和代码（python）用的别人的不是原创，就是学习笔记

一、数据介绍

数据集包含两列：第一列是城市人口数量，第二列是该城市小吃店利润
数据地址链接：https://pan.baidu.com/s/1gIprExuddNljRrYF_m34Mg
提取码：qn9o

二、实验步骤

1.读入数据（我用的是anacode下面的Jypyter Notebook）

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
path =  '你所存放数据的路径/ex1data1.txt'
data = pd.read_csv(path, header=None, names=['Population', 'Profit'])

2.数据加工处理

data.insert(0, 'Ones', 1)#插入一列

# 初始化X和y
cols = data.shape[1]
X = data.iloc[:,:-1]#X是data里的除最后列
y = data.iloc[:,cols-1:cols]#y是data最后一列

X = np.matrix(X.values)
y = np.matrix(y.values)
theta = np.matrix(np.array([0,0]))

3.构造代价函数和梯度下降函数

#代价函数
def computeCost(X, y, theta):
    inner = np.power(((X * theta.T) - y), 2)
    return np.sum(inner) / (2 * len(X))

#梯度下降函数
def gradientDescent(X, y, theta, alpha, iters):
    temp = np.matrix(np.zeros(theta.shape))
    parameters = int(theta.ravel().shape[1])
    cost = np.zeros(iters)
    
    for i in range(iters):
        error = (X * theta.T) - y
        
        for j in range(parameters):
            term = np.multiply(error, X[:,j])
            temp[0,j] = theta[0,j] - ((alpha / len(X)) * np.sum(term))
            
        theta = temp
        cost[i] = computeCost(X, y, theta)
        
    return theta, cost
#这个部分实现了Ѳ的更新

#定义迭代次数和学习率
alpha = 0.01
iters = 1500

4.进行实验的最后一步

g, cost = gradientDescent(X, y, theta, alpha, iters)
#g就是最后求得的参数矩阵

x = np.linspace(data.Population.min(), data.Population.max(), 100)
f = g[0, 0] + (g[0, 1] * x)

fig, ax = plt.subplots(figsize=(12,8))
ax.plot(x, f, 'r', label='Prediction')
ax.scatter(data.Population, data.Profit, label='Traning Data')
ax.legend(loc=2)
ax.set_xlabel('Population')
ax.set_ylabel('Profit')
ax.set_title('Predicted Profit vs. Population Size')
plt.show()
#原始数据以及拟合的直线

拟合了