简单的线性回归（以x轴为住房面积，y轴为价格为例）

实现并探索单变量线性回归的成本函数。

以x轴为住房面积，y轴为价格为例，进行线性回归的预测单变量：

其中真实的数据如图分布为散点，而用过线性回归进行预测，那么预测的数据应是一条直线如图

通过上面的两个公式可以进行预测

第一个方程是计算预测后的损失值的，损失值越小越好，表示性能优

第二个方程是线性回归的预测方程，w和b是一个偏一两，在后面的算法优化中会计算出w和b

这里的w和b就随便填一个数（w = 1000 ,b = 500）

然后就进行计算预测值：

###线性回归的预测值：
###f_wb = x * w + b x和f_wb都是向量（数组）
def compute_model_output(x,w,b):
    m = x.shape[0]  ###获取x数组的大小
    f_wb = np.zeros(m)  ###创建一个f_wb数组大小为m，并且全置为0

    for i in range(m):
        f_wb[i] = x[i] * w + b

    return f_wb
''' 或者也可以这样写：
    f_wb = x * w + b
    :return f_wb
    这里是用numpy中的向量进行计算
'''

然后就是画图：

w,b = 1000,5000 ###这里假设w和b的值

###生成100个x,y的随机数，来进行预测

num_samples = 100
### x
x = np.random.uniform(10,300,num_samples)
### y
y = 1000 * x + np.random.normal(0,20000,num_samples)

###取前10个数
for i in range(10):
    print('square_meters: ', x[i], 'prices: ', y[i])

###画图：
###获取预测值
tmp_f_wb = compute_model_output(x,w,b)

plt.plot(x,tmp_f_wb,c = 'b',label='Prediction')
plt.scatter(x,y,marker = 'x',c = 'r',)
plt.ylabel('Prices (RMB)')
plt.xlabel('square_meters')
plt.show()

由于没有具体的数据这里的x和y的训练值就用随机数来进行训练

如果想看看预测后的损失值如何：
 

def compute_loss(y_true, y_pred):
    return np.mean((y_true - y_pred) ** 2)

输出

# 输出损失前的预测值（这里其实就是tmp_f_wb）
print("Prediction before loss calculation:")
for i in range(10):
    print(f'square_meters: {x[i]}, predicted prices: {tmp_f_wb[i]}')

# 计算损失
loss = compute_loss(y, tmp_f_wb)
print(f"Loss: {loss}")

可以看出损失值是很大的，why？，上面不是说要很小吗？

由于这个程序中使用的数据是随机生成的，因此损失值（即预测误差的平方的平均值）的大小是不确定的，并且可能在不同的运行之间变化很大。损失值的大小取决于随机生成的x（平方米数）和y（价格）之间的实际关系与模型假设的线性关系（y = w * x + b）之间的差异。

完整代码：（无损失值的）：

import numpy as np
import matplotlib.pyplot as plt


###线性回归的预测值：
###f_wb = x * w + b x和f_wb都是向量（数组）
def compute_model_output(x,w,b):
    m = x.shape[0]  ###获取x数组的大小
    f_wb = np.zeros(m)  ###创建一个f_wb数组大小为m，并且全置为0

    for i in range(m):
        f_wb[i] = x[i] * w + b

    return f_wb
''' 或者也可以这样写：
    f_wb = x * w + b
    :return f_wb
    这里是用numpy中的向量进行计算
'''


w,b = 1000,5000 ###这里假设w和b的值

###生成100个x,y的随机数，来进行预测

num_samples = 100
### x
x = np.random.uniform(10,300,num_samples)
### y
y = 1000 * x + np.random.normal(0,20000,num_samples)

###取前10个数
for i in range(10):
    print('square_meters: ', x[i], 'prices: ', y[i])

###画图：
###获取预测值
tmp_f_wb = compute_model_output(x,w,b)

plt.plot(x,tmp_f_wb,c = 'b',label='Prediction')
plt.scatter(x,y,marker = 'x',c = 'r',)
plt.ylabel('Prices (RMB)')
plt.xlabel('square_meters')
plt.show()

结果：

有损失值：

###################
# HOUSING PRICES  #
###################

import numpy as np
import matplotlib.pyplot as plt


def compute_model_output(x, w, b):

    m = x.shape[0]  ###获取x数组的大小
    f_wb = np.zeros(m)  ###创建一个f_wb数组大小为m，并且全置为0
    for i in range(m):
        f_wb[i] = w * x[i] + b
    ''' or code:
    f_wb = w * x + b
    return f_wb
    '''
    return f_wb


def compute_loss(y_true, y_pred):
    return np.mean((y_true - y_pred) ** 2)


num_samples = 100
# x means square_meters
x = np.random.uniform(10, 300, num_samples)
# y means prices
y = 1000 * x + np.random.normal(0, 20000, num_samples)
# output 1 ~ 10
for i in range(10):
    print('square_meters: ', x[i], 'prices: ', y[i])
# show plt.
# f(x) = w * x + b // here w = 1000, b = 500
w, b = 1000, 500
tmp_f_wb = compute_model_output(x, 1000, 500)

# 计算预测值
tmp_f_wb = compute_model_output(x, w, b)


# 输出损失前的预测值（这里其实就是tmp_f_wb）
print("Prediction before loss calculation:")
for i in range(10):
    print(f'square_meters: {x[i]}, predicted prices: {tmp_f_wb[i]}')

# 计算损失
loss = compute_loss(y, tmp_f_wb)
print(f"Loss: {loss}")


plt.plot(x, tmp_f_wb, c='b', label='Prediction')
plt.scatter(x, y, marker='x', c='r')
plt.title('Housing prices')
plt.ylabel('Prices (RMB)')
plt.xlabel('square_meters')
plt.show()

x_i = 1600
cost = w * x_i + b
print(f'{x_i} meters housing prices: ', cost)

以上就是刚开始学习机器学习的线性回归的初步成果（虽然是别人的，但自己理解后又写了一遍）