Python学习--Machine-Learning 吴恩达机器学习编程作业 (第一周)

最新推荐文章于 2024-07-15 17:22:58 发布

OOOrchid

最新推荐文章于 2024-07-15 17:22:58 发布

阅读量3k

点赞数 11

分类专栏： python机器学习文章标签： Machine-Learning python 机器学习吴恩达

本文链接：https://blog.csdn.net/qq_43232373/article/details/88019488

版权

本文介绍了吴恩达机器学习课程的编程作业，涵盖单变量和多变量线性回归，包括代价函数、梯度下降、正规方程法以及使用sklearn库的实现。通过实例代码详细解析了线性回归的每个步骤，并提供了数据链接供读者实践。

摘要由CSDN通过智能技术生成

Machine-Learning 编程作业

Programming Exercise 1：Linear Regression

1. 单变量线性回归
1.1 读取数据并显示
1.2 定义代价函数
1.3 梯度下降法
1.4 可视化
2. 多变量线性回归
2.1 读入数据并显示
2.2 特征归一化
2.3 代价函数
2.4 梯度下降
3. 正规方程法实现单变量回归
4. 用sklearn库中函数实现单变量回归
作业文件打包如下：链接：https://pan.baidu.com/s/1S6-q29v_zYWUXugWAZk-zg 提取码：h20r

单变量线性回归

1.1 读取数据并显示

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

path = 'ex1data1.txt'
data = pd.read_csv(path, header=None, names=['Population', 'Profit'])  #参数设置参见pd.read_csv函数
print(data.head())  #输出前5行，也可以在括号里自定义输出前几行
# print(data.describe())
data.plot(x='Population', y='Profit', kind='scatter', figsize=(10,8))  #参见plot函数参数设置
plt.show()#画图

运行结果如图：

在这里插入图片描述
1.2 定义代价函数
根据代价函数的定义：
所以在定义代价函数的同时要对数据进行处理，将读入的数据分为：X，y，theta。同时，我们在X中插入X0，令其等于1.

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

#处理数据
data.insert(0, 'Ones', 1)  #加一行全为1的数
# print(data.head())  #可以边写边看数据
cols = data.shape[1]
X = data.iloc[:,0:cols-1]  #X是所有行，去掉最后一列
y = data.iloc[:,cols-1:cols]  #y是所有行的最后一列
# print(X.head())
# print(y.head())
X = np.matrix(X.values)#将X的值转化为矩阵形式，方便计算
y = np.matrix(y.values)
theta = np.matrix(np.array([0,0]))
# print(theta)
# print(X.shape