机器学习——多元线性回归（python实现）

总体思路与一元线性回归思想一样，现在将数据以矩阵形式进行运算，更加方便。
一元线性回归实现代码
下面是多元线性回归用Python实现的代码：

import numpy as np

def linearRegression(data_X,data_Y,learningRate,loopNum):
    W = np.zeros(shape=[1, data_X.shape[1]])
    # W的shape取决于特征个数，而x的行是样本个数，x的列是特征值个数
    # 所需要的W的形式为 行=特征个数，列=1 这样的矩阵。但也可以用1行，再进行转置：W.T
    # X.shape[0]取X的行数，X.shape[1]取X的列数
    b = 0

    #梯度下降
    for i in range(loopNum):
        W_derivative = np.zeros(shape=[1, data_X.shape[1]])
        b_derivative, cost = 0, 0

        WXPlusb = np.dot(data_X, W.T) + b   # W.T：W的转置
        W_derivative += np.dot((WXPlusb - data_Y).T, data_X)  # np.dot:矩阵乘法
        b_derivative += np.dot(np.ones(shape=[1, data_X.shape[0]]), WXPlusb - data_Y)
        cost += (WXPlusb - data_Y)*(WXPlusb - data_Y)
        W_derivative = W_derivative / data_X.shape[0]  # data_X.shape[0]:data_X矩阵的行数，即样本个数
        b_derivative = b_derivative / data_X.shape[0]


        W = W - learningRate*W_derivative
        b = b - learningRate*b_derivative

        cost = cost/(2*data_X.shape[0])
        if i % 100 == 0:
            print(cost)
    print(W)
    print(b)

if __name__== "__main__":
    X = np.random.normal(0, 10, 100)
    noise = np.random.normal(0, 0.05, 20)
    W = np.array([[3, 5, 8, 2, 1]])  #设5个特征值
    X = X.reshape(20, 5)     #reshape成20行5列
    noise = noise.reshape(20, 1)
    Y = np.dot(X, W.T)+6 + noise
    linearRegression(X, Y, 0.003, 5000)

特别需要注意的是要弄清：矩阵的形状
在梯度下降的时候，计算两个偏导值，这里面的矩阵形状变化需要注意。
梯度下降数学式子：
以代码中为例，来分析一下梯度下降中的矩阵形状。
代码中设了5个特征。

WXPlusb = np.dot(data_X, W.T) + b   

W是一个1*5矩阵，data_X是一个20*5矩阵
WXPlusb矩阵形状=20*5矩阵乘上5*1（W的转置）的矩阵=20*1矩阵

W_derivative += np.dot((WXPlusb - data_Y).T, data_X)

W偏导矩阵形状=1*20矩阵乘上 20*5矩阵=1*5矩阵

b_derivative += np.dot(np.ones(shape=[1, data_X.shape[0]]), WXPlusb - data_Y)

b是一个数，用1*20的全1矩阵乘上20*1矩阵=一个数