机器学习的引入、测算房价数学模型的Python实现

本文链接：https://blog.csdn.net/weixin_47844457/article/details/124298491

人类的学习：发现知识、运用知识；
机器学习：（Machine Learning，缩写ML）
- 建立模型、应用模型；
- 如果一个系统能够通过执行某个过程改进其性能，这就是学习；（H.A.Simon）
- 给定任务T和损失函数L（即性能度量P，或称作学习策略R），借助样本数据集D（历史数据）和学习算法A，训练处最优（损失最小）模型（用函数f表示），然后使用该模型对新样本进行预测；

常用的应用场景

数据挖掘；
- 利用历史数据进行决策；
  - 依据商品之间的关联性进行商品摆放与分类；
  - 优惠券的定向发放；
  - 信用卡风险分析；
  - 交易风险分析；
个性化相关操作；
- 垃圾邮件过滤（机器学习算法最先应用的领域之一）；
- 猜你喜欢、个性化推荐；
不想人工/人工难以实现的功能；
- 语音识别；
- 图像识别；
- 手写识别；
- 自动驾驶；

百科

机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科；
专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能；
它是人工智能核心，是使计算机具有智能的根本途径；

根据面积计算房价（Python实现）

基本过程

以几何形式展现数学模型；
机器学习；
- 模型假设；
  - 通过研究确定输入输出之间的数学关系；
- 训练、拟合、学习；
  - 通过实际样本数据来确定模型参数；
- 预测；
  - 使用模型进行工作；
编程实现；

代码

ML.py

class LinearModel:  # 定义线性模型类
    
    def __init__(self):  # 定义类的构造方法
        self.omega = 0  # 待定系数
        self.b = 0  # 待定系数
    
    def fit(self, x_train, y_train):  # 定义训练方法的模型
        self.omega = (y_train[0] - y_train[1])/(x_train[0] - x_train[1])
        self.b = y_train[0] - x_train[0] * self.omega
        return
    
    def predict(self, x_test):  # 定义使用模型进行预测的方法
        y_test = self.omega * x_test + self.b
        return y_test  # 返回预测结果

test.py

from ML import LinearModel  # 引入模块中的类

def main():  # 定义程序的主函数
    temp = input("请输入房屋面积和对应房价数据（至少两对数据，且数据之间用空格隔开）:")  # 存放键盘输入的数据
    list = temp.split(" ")  # 将数据拆分成列表
    X = []
    Y = []
    for i in range(len(list)):  # 将列表元素对应存储
        if i % 2 == 0:
            X.append(float(list[i]))
        else :
            Y.append(float(list[i]))
    HousepPrice = LinearModel()  # 使用类创建对象
    HousepPrice.fit(X, Y)  # 调用类的函数
    print( "经过计算得出：omega=", HousepPrice.omega, "，b=", HousepPrice.b, "。\n" )

    x = float(input("请输入房屋面积（以平方米为单位）："))
    y = HousepPrice.predict(x)  # 调用类的函数
    print( "面积为",x,"平方米的房屋价格为：",y )
    return 

main()