【头歌】重生之机器学习-线性回归

关于【头歌】线性回归理论与案例实践的其他单元仅粉丝看见，想要更多学习资源的同学关注我哦~ 创作不易，参考之前，点个赞，收藏，关注一下不过分吧，家人们 第1关：数据载入与分析

任务描述

本关任务：编写一个能够载入线性回归相关数据的小程序。

编程要求

该实战内容中数据为一元数据，利用 pandas 读入数据文件，并为相应的数据附上名字标签，分别为Population 和 Profit。

1. data = pd.read_csv(path, header= , names=[ ' ', ' ' ])

if __name__ == "__main__":
    path = os.getcwd() + '/ex1data1.txt'
    #利用pandas读入数据data，并将数据属性分别命名为'Population'和'Profit'
    #********* begin *********#
    data=pd.read_csv(path,header=None,names=['Population','Profit'])
    #********* end *********#
    print(data.shape)

第2关：计算损失函数

编程要求

根据以上公式，编写计算损失函数computeCost(X, y, theta)，最后返回cost。

• X：一元数据矩阵，即Population数据；
• y：目标数据，即Profit数据；
• theta：模型参数；
• cost：损失函数值。

测试说明

测试输入：无
测试输出：the cost is: 32.0727338775

def computeCost(X, y, theta):
    #根据公式编写损失函数计算函数
    #********* begin *********#
    inner=np.power(((X*theta.T)-y),2)
    cost=np.sum(inner)/(2*len(X))
    cost=round(cost,10)
    #********* end *********#
    return cost

 第3关：进行梯度下降得到线性模型

编程要求

根据以上公式，编写计算损失函数gradientDescent(X, y, theta, alpha, iters)，最后返回theta, cost。

• x：一元数据矩阵，即Population数据；
• y：目标数据，即Profit数据；
• theta：模型参数；
• m：数据规模；
• α: 学习率。

测试说明

测试输入：无
测试输出：模型参数为:[[-3.241402141.1272942]]

def gradientDescent(X, y, theta, alpha, iters):
    temp = np.matrix(np.zeros(theta.shape))
    parameters = int(theta.ravel().shape[1])
    cost = np.zeros(iters)
    
    for i in range(iters):
        error = (X * theta.T) - y
        
        for j in range(parameters):
            #********* begin *********#
            term=np.multiply(error,X[:,j])
            temp[0,j]=theta[0,j]-((alpha/len(X))*np.sum(term))
            #********* end *********#
        theta = temp
        cost[i] = computeCost(X, y, theta)

 注：内容只做参考和分享，未经允许不可传播，侵权立删