线性回归(一元)

线性回归其实就是从一堆训练集中去算出一条线,使数据集到线之间的距离差最小。
操作,若是一元直线则设在这里插入图片描述然后求出每组的h(x),然后求每组估计值和真实值差的和得在这里插入图片描述然后求它的最小值
(1)得出θ0和θ1,就可以求出这个线性回归式
θ0和θ1如何求?
loss对θ0偏导=0以及loss对θ1偏导=0
若是曲线模型,同上
(2)运用梯度下降,构建一个立体图形
θ0,θ1为x,y轴,loss为z轴
若想简单计算则设为在这里插入图片描述
然后求J(θ)对θ0和θ1分别偏导,在这里插入图片描述求出新的θ0和θ1
`# -- coding: utf-8 --
“”"
Created on Wed Jun 20 17:09:13 2018
@author: 96jie
“”"

#导入cv模块
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt

#数据
a = np.random.standard_normal((1, 500))
x = np.arange(0,50,0.1)
y = np.arange(20,120,0.2)
y = y - a*10
y = y[0]

#梯度下降
def Optimization(x,y,theta,learning_rate):
for i in range(iter):
theta = Updata(x,y,theta,learning_rate)
return theta

def Updata(x,y,theta,learning_rate):
m = len(x)
sum = 0.0
sum1 = 0.0
alpha = learning_rate
h = 0
for i in range(m):
h = theta[0] + theta[1] * x[i]
sum += (h - y[i])
sum1 += (h - y[i]) * x[i]
theta[0] -= alpha * sum / m
theta[1] -= alpha * sum1 / m
return theta

#数据初始化
learning_rate = 0.001
theta = [0,0]
iter = 1000
theta = Optimization(x,y,theta,learning_rate)

plt.rcParams[‘font.sans-serif’]=[‘SimHei’]
plt.rcParams[‘axes.unicode_minus’] = False
‘’’
plt.figure(figsize=(35,35))
plt.scatter(x,y,marker=‘o’)
plt.xticks(fontsize=40)
plt.yticks(fontsize=40)
plt.xlabel(‘特征X’,fontsize=40)
plt.ylabel(‘Y’,fontsize=40)
plt.title(‘样本’,fontsize=40)
plt.savefig(“样本.jpg”)
‘’’
#可视化
b = np.arange(0,50)
c = theta[0] + b * theta[1]

plt.figure(figsize=(35,35))
plt.scatter(x,y,marker=‘o’)
plt.plot(b,c)
plt.xticks(fontsize=40)
plt.yticks(fontsize=40)
plt.xlabel(‘特征X’,fontsize=40)
plt.ylabel(‘Y’,fontsize=40)
plt.title(‘结果’,fontsize=40)
plt.savefig(“结果.jpg”)`

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值