python波士顿房价是什么数据_我在波士顿房价数据库上实现随机梯度下降的python实现有什么问题?...

我是机器学习的初学者。我尝试在Python中实现波士顿房价数据的批随机梯度下降算法。我认为我正确地遵循了线性回归的算法,但是我得到了非常大的权重向量和截距值。

有谁能帮帮我吗?

import numpy as np

r=1

diso=0.0

intercep=0

x=np.random.normal(0.0,1.0,13)

for c in range(50):

sums2=0

batch=traindat.sample(n = 100)

batch1=batch.drop('PRICE', axis = 1)

batch2=batch['PRICE']

predtargs=(batch1.iloc[:,0:13].dot(x)+intercep)

listofsums_weights=[]

for j in batch1.reset_index(drop=True):

sums=0

for i in range(len(predtargs)):

sums=sums+(-2*(batch2.reset_index(drop=True).get(i)-((predtargs.reset_index(drop=True).get(i))))*batch1.reset_index(drop=True)[j][i])

listofsums_weights.append(sums)

for i in range(len(predtargs)):

sums2=sums2+(-2*(batch2.reset_index(drop=True).get(i)-((predtargs.reset_index(drop=True).get(i)))))

newx=[]

intercep=intercep-r*sums2

for m in range(len(x)):

newx.append(x[m]-(r*listofsums_weights[m]))

r=r/2

disn=np.linalg.norm(np.array(x)-np.array(newx))

x=newx

if int((diso))==int((disn)):

break

diso=disn

print('Final weight vector')

print(x)

print('Final intercept')

print(intercep)

这里的“r”是学习费率。全部特征值被规范化。权重向量之间的欧几里德距离正在减小,但单个值非常高。