吴恩达机器学习课后习题01-线性回归（01-linear regression）

吴恩达机器学习课后习题01-线性回归（01-linear regression）

切记！！！下载第一次课后作业的题目和数据包ex1data1.txt和ex1data2.txt，数据包一定要下载，并且导入到项目所在文件夹，用Ancona或者pycharm编译都可以成功！

（后续会慢慢补充并且完善线性回归知识点）

一、单变量线性回归

训练集，拟合（假设，陈述，代价函数），梯度下降法
损失函数，梯度下降函数，维度

案例：假设你是一家餐厅的CEO，正在考虑开一家分店，根据该人口数据测试其利润。

我们拥有不同城市对应的人口数据以及利润：ex1data1.txt

# 读取文件：
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

data = pd.read_csv('ex1data1.txt',names = ['population','profit'])
data.head()

data.tail()

data.describe()

data.info()

# 数据集准备：
data.plot.scatter('population','profit',label = 'population')
plt.show()

data.insert(0,'ones',1)
data.head()

X = data.iloc[:,0:-1]
X.head()

y = data.iloc[:,-1]
y.head()

X = X.values

X.shape

y = y.values

y.shape

# 损失函数：
y = y.reshape(97,1)
y.shape

def costFunction(X,y,theta):
    inner = np.power(X @ theta - y,2)
return np.sum(inner)/(2 * len(X))

theta = np.zeros((2,1))
theta.shape

cost_init = costFunction(X,y,theta)
print(cost_init)

# 梯度下降函数：
def gradientDescent(X,y,theta,alpha,iters):
    costs = []
    
    for i in range(iters):
        theta = theta - (X.T @ (X@theta - y)) * alpha/len(X)
        cost = costFunction(X,y,theta)
        costs.append(cost)
        
        if i % 100 == 0:
            print(cost)
return theta,costs

alpha = 0.02
iters = 2000

theta,costs = gradientDescent(X,y,theta,alpha,iters)

# 可视化损失函数：
fig,ax = plt.subplots()
ax.plot(np.arange(iters),costs)
ax.set(xlabel = 'iters',
      ylabel = 'cost',
      title = 'cost vs iters')
plt.show()

fig,ax = plt.subplots(2,3)
ax1 = ax[0,0]
ax1.plot
plt.show()

# 拟合函数可视化：
x &#