解析法实现一元线性回归

使用 Python 实现

第一步骤：加载样本数据

# 首先,需要计算x和y的均值
meanX = sum(x) / len(x)
meanY = sum(y) / len(y)

第二步骤：根据学习模型，计算 w，b

# 加载样本数据
# x 是商品房面积
x = [137.97, 104.50, 100.00, 124.32, 79.20, 99.00, 124.00, 114.00,
     106.69, 138.05, 53.75, 46.91, 68.00, 63.02, 81.26, 86.21]
# y 是房价
y = [145.00, 110.00, 93.00, 116.00, 65.32, 104.00, 118.00, 91.00,
     62.00, 133.00, 51.00, 45.00, 78.50, 69.65, 75.69, 95.30]

# 学习模型——计算w, b
# 首先,需要计算x和y的均值
meanX = sum(x) / len(x)
meanY = sum(y) / len(y)

sumXY = 0.0
sumX = 0.0
for i in range(len(x)):
    # 得到分子
    sumXY += (x[i] - meanX) * (y[i] - meanY)
    # 得到分母
    sumX += (x[i] - meanX) * (x[i] - meanX)

w = sumXY/sumX
b = meanY-w*meanX

print("w=", w)  # w= 0.8945605120044221
print("b=", b)  # b= 5.410840339418002

print(type(w))  # <class 'float'>
print(type(b))  # <class 'float'>

第三步骤：得到 w 和 b之后，预测房价

#  将待评估的商品房面积放入列表x_test中
x_test = [128.15, 45.00, 141.43, 106.27, 99.00, 53.84, 85.36, 70.00]

print("面积\t估计房价")
for i in range(len(x_test)):
    print(x_test[i], '\t', round(w*x_test[i]+b, 2))  # 精确到小数点后两位
# 输出类型为浮点数类型,Python3中的浮点数类型是64位的双精度浮点数,我们并不需要这么精确的
# 房价, 这里的房价单位是万元, 对于买房子的人来说,精确到小数点后两位就可以了。

"""
面积	估计房价
128.15 	 120.05
45.0 	 45.67
141.43 	 131.93
106.27 	 100.48
99.0 	 93.97
53.84 	 53.57
85.36 	 81.77
70.0 	 68.03
"""

使用 NumPy 实现

import numpy as np

# 加载样本数据
# x 是商品房面积
x = np.array([137.97, 104.50, 100.00, 124.32, 79.20, 99.00, 124.00, 114.00,
              106.69, 138.05, 53.75, 46.91, 68.00, 63.02, 81.26, 86.21])
# y 是房价
y = np.array([145.00, 110.00, 93.00, 116.00, 65.32, 104.00, 118.00, 91.00,
              62.00, 133.00, 51.00, 45.00, 78.50, 69.65, 75.69, 95.30])

# 学习模型——计算w, b
# 首先,需要计算x和y的均值
# np.mean是NumPy中求均值函数
meanX = np.mean(x)
meanY = np.mean(y)

# NumPy支持数组之间的运算,也支持数组和数字之间的广播运算
# 因此这一步可以直接运算, 无需使用循环语句
sumXY = np.sum((x-meanX)*(y-meanY))
sumX = np.sum((x-meanX)*(x-meanX))

w = sumXY / sumX
b = meanY - w * meanX

# tensorflow中默认的浮点数类型是64位浮点数,这里进行四舍五入,指定输出2位小数。
print("w=", round(w, 2))  # w= 0.89
print("b=", round(b, 2))  # b= 5.41

print(type(w))  # <class 'numpy.float64'>
print(type(b))  # <class 'numpy.float64'>

#  将待评估的商品房面积放入列表x_test中
x_test = np.array([128.15, 45.00, 141.43, 106.27, 99.00, 53.84, 85.36, 70.00])
y_pred = w*x_test+b

# 输出预测的结果
print(y_pred)
"""
[120.04876995  45.66606338 131.92853355 100.47578595  93.97233103
  53.57397831  81.77052564  68.03007618]
"""
print("面积\t估计房价")

# 采用更加友好的方式输出预测的结果
for i in range(y_pred.size):
    print(x_test[i], '\t', np.round(y_pred[i], 2))  
# np.round是NumPy中的四舍五入函数,与Python中的round功能一样
# 精确到小数点后两位
# 房价, 这里的房价单位是万元, 对于买房子的人来说,精确到小数点后两位就可以了。

"""
面积	估计房价
128.15 	 120.05
45.0 	 45.67
141.43 	 131.93
106.27 	 100.48
99.0 	 93.97
53.84 	 53.57
85.36 	 81.77
70.0 	 68.03
"""

使用 TensorFlow 实现

import tensorflow as tf
import numpy as np

# 加载样本数据
# x 是商品房面积
x = tf.constant([137.97, 104.50, 100.00, 124.32, 79.20, 99.00, 124.00, 114.00,
                 106.69, 138.05, 53.75, 46.91, 68.00, 63.02, 81.26, 86.21])
# y 是房价
y = tf.constant([145.00, 110.00, 93.00, 116.00, 65.32, 104.00, 118.00, 91.00,
                 62.00, 133.00, 51.00, 45.00, 78.50, 69.65, 75.69, 95.30])

# 学习模型——计算w, b
# 首先,需要计算x和y的均值
# tf.reduce_mean是tensorflow中求均值函数
meanX = tf.reduce_mean(x)
meanY = tf.reduce_mean(y)

# tensorflow也支持数组之间的运算,也支持数组和数字之间的广播运算
# 因此这一步可以直接运算, 无需使用循环语句
sumXY = tf.reduce_sum((x - meanX) * (y - meanY))
sumX = tf.reduce_sum((x - meanX) * (x - meanX))

w = sumXY / sumX
b = meanY - w * meanX

print(type(w))  # <class 'tensorflow.python.framework.ops.EagerTensor'>
print(type(b))  # <class 'tensorflow.python.framework.ops.EagerTensor'>

# tensorflow中默认的浮点数类型是32位浮点数
print("w=", w)  # w= tf.Tensor(0.8945604, shape=(), dtype=float32)
print("b=", b)  # b= tf.Tensor(5.4108505, shape=(), dtype=float32)

# Tensor对象.numpy()的作用是将张量转换为NumPy数组
print("w=", w.numpy())  # w= 0.8945604
print("b=", b.numpy())  # b= 5.4108505

#  将待评估的商品房面积放入列表x_test中
x_test = tf.constant([128.15, 45.00, 141.43, 106.27, 99.00, 53.84, 85.36, 70.00])
y_pred = w * x_test + b

# 输出预测的结果
print(y_pred)
"""
tf.Tensor(
[120.04876   45.66607  131.92853  100.475784  93.97233   53.573982
  81.77052   68.030075], shape=(8,), dtype=float32)
"""
print("面积\t估计房价")

# 如果想要向上面一样采用更加友好的方式输出预测的结果, 需要转换为numpy数组。
# tensorflow中没有 size 这个函数
for i in range(y_pred.numpy().size):
    print(x_test[i].numpy(), '\t', np.round(y_pred[i].numpy(), 2))
# np.round是NumPy中的四舍五入函数,与Python中的round功能一样
# tensorflow中也有 round 函数

"""
面积	估计房价
128.15 	 120.05
45.0 	 45.67
141.43 	 131.93
106.27 	 100.48
99.0 	 93.97
53.84 	 53.57
85.36 	 81.77
70.0 	 68.03
"""

最后，一般会使用 NumPy 来读取和访问数据集，接收从CPU输出的中间结果或最终结果，完成数据交换和输入、输出的工作。

数据和模型可视化

综合采用 Pyhton、TensorFlow 和 Matplotlib 来演示。

# 数据和模型可视化
plt.figure()

# 绘制散点图,并添加图例
plt.scatter(x, y, color="red", label="销售记录")
plt.scatter(x_test, y_pred, color="blue", label="预测房价")

# 使用plot()函数绘制折线图,并添加图例
plt.plot(x_test, y_pred, color="green", label="拟合直线", linewidth=2)

# 设置坐标轴标签
plt.xlabel("面积（平方米）", fontsize=14)
plt.ylabel("价格（万元）", fontsize=14)
# 设置坐标轴范围
plt.xlim((40, 150))
plt.ylim((40, 150))

plt.suptitle("商品房销售价格评估系统v1.0", fontsize=20)

# 自动确定图例生成的最佳位置
plt.legend(loc="upper left")
plt.show()