网站外包项目,市场推广怎么做,学做课件的网站,西安网站建设制作专业公司目标
学习如何使用一个变量实现线性回归模型。
导入需要的库 存储特征x和目标变量y
这是真实的训练集#xff0c;[1.0,2.0]是房子的大小#xff0c;[300,500]是房子的价格。 使用数组存储训练集的数据#xff1a;
x_train#xff1a;存储的是所有特征#xff0c;[1.…目标
学习如何使用一个变量实现线性回归模型。
导入需要的库 存储特征x和目标变量y
这是真实的训练集[1.0,2.0]是房子的大小[300,500]是房子的价格。 使用数组存储训练集的数据
x_train存储的是所有特征[1.0,2.0]也就是房子的大小。y_train存储的是所有目标变量[300,500]也就是是房子的价格。
获取训练样本的数量
由于我们要计算每一行训练样本的预测值所以要知道一共有多少行训练样本也就是求出m的值。
shape[0]查看特征数组里有几个特征示例中有2个特征代表2行训练样本因此m2。len查看特征数组长度数组里有2个特征因此长度为2也就是m2。
获取每一组训练样本 x_train[i]/y_train[i]查看第i行训练样本的特征或目标变量。
绘制训练集的数据点
把训练集的每行训练样本以数据点的形式绘制在图表里。
初始化w和b
根据线性回归的函数我们需要先知道w和b的值这里先不讨论w和b的计算过程直接给出一个初始值。
计算线性回归的预测值
每一行的训练样本都需要计算出一个预测值因此m的作用体现出来了用于循环。
f_wb np.zeros(m)为了方便存储每一行训练样本的预测值因此需要创建一个初始值为0元素数量为m个的数组。示例中的m2它就是这个样子:【0. 0.】w*x[i]b:线性回归的计算公式x[i]表示第一行训练样本的特征。f_wb[i]存储第i-1行训练样本的预测值。
绘图线性回归预测值的图表
代码 蓝色线条是这段代码绘制的 plt.plot(x_train, tmp_f_wb, c‘b’, label‘Our Prediction’)。 输出结果含义蓝色线条没有拟合数据点也就是说模型预测的y值和真实的数据点y值差距很大。因为我们设置的w和b不合适。
尝试不同的w和b
由于给出了正确的w和b线性回归模型才能够完美预测但如果使用不同的w和b例如更换成w200和b100结果如何 先修改w和b -输出结果 -输出结果含义按照我们初始化好的w和b的值通过给定的x[1,2]和线性回归函数计算出的预测值是准确的预测值y帽[300,500]和训练集的y[300,500]也就是说我们的线性回归模型能够完美预测。
使用模型示例
经过上述的调整我们找到了合适的w和b因此我们的模型就可以用来预测房价了。
总结
首先我们将训练集的数据标记在图表上然后要找到线性回归函数中合适的w和b。
设置到合适的w和b我们需要计算每行训练样本的预测值。
通过计算好的预测值我们要将线性回归函数的趋势绘制在图表中通过是否能拟合训练集的数据点来检测w和b是否合适。
由此可以看出线性回归中比较重要的是要找到合适的w和b才能比较完美的预测出靠近真实数据的预测值y帽。
这也引出了后面的课程如何判断w和b是否合适
