吴恩达机器学习-多变量线性回归案例

最新推荐文章于 2022-09-15 09:17:14 发布

申申あ

最新推荐文章于 2022-09-15 09:17:14 发布

阅读量166

点赞数

分类专栏：机器学习文章标签： python 机器学习

本文链接：https://blog.csdn.net/qq_43781887/article/details/124081857

版权

这篇博客详细介绍了如何在吴恩达的机器学习课程中应用Python进行多变量线性回归。通过代码示例展示了数据预处理、模型训练以及结果解读的过程。

摘要由CSDN通过智能技术生成

代码：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
# 文件路径
path='ex1data2.txt'
# 读取文件
data=pd.read_csv(path,names=['size','rooms','price'])

# 特征归一化
def normalize_feature(data):
   data.iloc[:, 0:-1] = (data.iloc[:, 0:-1] - data.iloc[:, 0:-1].mean()) / data.iloc[:, 0:-1].std()

normalize_feature(data)
print(data.head)

# 构造数据集
data.insert(0,'ones',1)
# 标签
X=data.iloc[:,0:-1]
X=X.values
# 真实值
y=data.iloc[:,-1]
y=y.values.reshape(47,1)

# 损失函数
def costfunction(X,y,theta):
    inner=np.power(X@theta-y,2)
    return np.sum(inner)/(2*len(X))

# theta初始化
theta=np.zeros((3,1))

# 梯度下降
def grandientDescent(X,y,theta,alpha,iters):
    costs=[]
    for i in range(iters):
        theta=theta-(X.T