【python】吴恩达机器学习作业1实现（Machine Learning Ng homework1）

参考：某大佬的github
建议打开上面的链接看看。
此篇主要补充一些公式转化成线性代数语言和实现。
如有纰漏，欢迎指正。

大致思路

主要部分有：加载数据，归一化数据，计算代价cost，梯度下降。
另外需要一个训练函数，一个预测函数，一些可视化函数和主函数。

参数对应含义

x-特征
y-真实结果
h-假设函数的结果（计算得到的结果）
m-训练样本的数量
n-特征的维数（比如 2 ：房屋面积，使用年限）
theta-参数

加载数据

去上面的链接复制粘贴就行

def load_data(filename, delimiter, dtype):
    loaddata = np.loadtxt(filename, delimiter=delimiter, dtype=dtype)
    # print(loaddata)
    return loaddata

归一化数据

公式：
上面的链接使用的标准差（代码std)，而我用的最大值-最小值（代码ptp)

def normalization(data_x):  # 注意：接收的是x 此函数把参数转化成-0.5到+0.5之间
    # 使用x = （x-平均值）/范围 替代x ---------- 也可以除以标准差
    data_x_norm = np.array(data_x)  # 将X转化为numpy数组对象，才可以进行矩阵的运算
    mean = np.mean(data_x_norm, 0)  # 求每一列的平均值（0指定为列，1代表行）（一列是同一种特征）
    # print(f'mean={mean}')
    ptp = np.ptp(data_x_norm, 0)  # 求每一列的范围
    # print(f'ptp={ptp}')
    for col in range(data_x_norm.shape[1]):  # python遍历np数组的列
        # shape[0]第一维度的长度相当于行数 shape[1]第二维度的长度相当于列数
        data_x_norm[:, col] = (data_x_norm[:, col]-mean[col])/ptp[col]
        # 其中data_x_norm[:, col]应该是一列，mean[col]，ptp[col] 应该是个数字
        # print(f'data_x_norm[:, col] ={data_x_norm[:, col] }')  # 显示的应该是科学计数法表示的数据，-0.5到+0.5之间是正常的
    return data_x_norm, mean, ptp

计算代价cost

有几点要注意的：
1.特征x应该有一列1，实现如下：

x_fin = np.hstack((np.ones((m, 1)), x_norm))  # 在X前加一列1  原因见吴恩达课    # np.vstack():在竖直方向上堆叠 np.hstack():在水平方向上平铺

原因吴恩达老师讲过，这样做可以使得 输出h = x 乘 参数theta

计算输出（假设函数）h的方法见上图，代码如下：

h = np.dot(x, theta)  # 计算预测值（把数据代入假设）

计算代价cost的公式：
对应代码：

cost_j = np.transpose(np.dot(x_cost, theta_cost) - y_cost) * (np.dot(x_cost, theta_cost