吴恩达机器学习ex1 Python实现

**

**

机器学习小白入门，在看吴恩达机器学习课程的同时找到了课后的练习。开贴用于记录学习（copy）过程。
学习参考：吴恩达机器学习ex1

单变量线性回归

题目描述：在本部分的练习中，您将使用一个变量实现线性回归，以预测食品卡车的利润。假设你是一家餐馆的首席执行官，正在考虑不同的城市开设一个新的分店。该连锁店已经在各个城市拥有卡车，而且你有来自城市的利润和人口数据。
您希望使用这些数据来帮助您选择将哪个城市扩展到下一个城市。
数据集ex1data.txt见最后

**

1、导入工具包

**

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

**

2、读取数据

**
由于我是使用vitu.ai社区进行代码的编写，所以要先将数据集导入

path = 'ex1data.txt'
data = pd.read_csv(path,header=None,names=['Population','Profit'])
data.head()

**

3、数据可视化

**

data.plot(kind='scatter', x='Population', y='Profit', figsize=(12,8))
plt.show()

**

4、梯度下降

**
这个部分需要在现有数据集上，训练线性回归的参数θ。

加入一列x，用于更新θ0，然后我们将θ初始化为0，学习率初始化为0.01，迭代次数为1500次.

data.insert(0, 'Ones', 1)

4.1进行变量初始化

# 初始化X和y
cols = data.shape[1]
X = data.iloc[:,:-1]#X是data里的除最后列
y = data.iloc[:,cols-1:cols]#y是data最后一列

观察X（训练集）和y(目标变量）是否正确

X.head()#head()是观察前5行

y.head()

代价函数应该是numpy矩阵，所以我们需要转换X和Y，然后才能使用它们。 我们还需要初始化theta。

X = np.matrix(X.values)
y = np.matrix(y.values)
theta = np.matrix(np.array([0,0]))

4.2计算代价函数（θ初始值为0）

def computeCost(X, y, theta):
    inner