一元线性回归算法和sigmoid函数

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了一元线性回归算法和sigmoid函数，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含2073字，纯文字阅读大概需要3分钟。

内容图文

                              **机器学习基础**

一元线性回归算法

1. 介绍
一元线性回归分析预测法，是根据自变量x和因变量y的相关关系，建立x与y的线性回归方程进行预测的方法。由于市场现象一般是受多种因素的影响，而并不是仅仅受一个因素的影响。所以应用一元线性回归分析预测法，必须对影响市场现象的多种因素做全面分析。只有当诸多的影响因素中，确实存在一个对因变量影响作用明显高于其他因素的变量，才能将它作为自变量，应用一元相关回归分析市场预测法进行预测 。
一元线性回归分析法的预测模型：

xt代表t期自变量的值；
代表t期因变量的值；
a、b代表一元线性回归方程的参数。
a、b参数由下列公式求得（用代表）：

2. Python来实现一元线性回归的算法：
代码里都有注释，我就不进行详细解释了

import numpy as np
import matplotlib.pyplot as plt
"""
函数说明：一元线性回归算法 
Parameters：
    denominator  分母
    numerator    分子
"""
if __name__=='__main__':
    x = np.array([1,2,4,6,8])
    y = np.array([2,5,7,8,9])
    x_mean = np.mean(x)
    y_mean = np.mean(y)
    #分子
    numerator = 0.0
    #分母
    denominator = 0.0
    #求出一元线性回归公式的各个参数
    #对于zip()函数：把x,y依次打包成一个元组，便于绘制散点图
    for x_i,y_i in zip(x, y):
        numerator += (x_i - x_mean) * (y_i - y_mean)
        denominator += (x_i - x_mean) ** 2
    a = numerator/denominator
    b = y_mean - a * x_mean
    y_predict = a * x + b
    #画出训练集的散点图
    plt.scatter(x, y, color='r')
    #画出预测的拟合直线
    plt.plot(x,y_predict,color='r')
    plt.xlabel('管子的长度', fontproperties='simHei', fontsize=15)
    plt.ylabel('收费', fontproperties='simHei', fontsize=15)
    plt.show()

既然我们已经通过Python实现了一元回归算法，那下一步就是测试新的数据了

    x_test = 7
    Predictvalue = a * x_test + b
    print(Predictvalue)
    plt.show()

sigmoid函数

import numpy as np
import matplotlib.pyplot as plt

def sigmoid(x):
    y = 1.0 / ( 1.0 + np.exp(-x))
    return y
#X=np.linspace(0, 60000, 1000)
#这句话的意思就是讲0-60000分成1000份
plot_x = np.linspace(-10, 10, 100)
plot_y = sigmoid(plot_x)
plt.plot(plot_x, plot_y)
plt.show()

对于代码的解释

1. np.exp(x):求e的x次方
   np.sqrt(x):求x的开方
2. x=np.linspace(0, 60000, 1000)：将0-60000分成1000份
   而文中plot_x = np.linspace(-10, 10, 100)，就是将-10-10分成100份
3. 对于plt.plot()函数
   详见知乎这位博主
4. 对于x=np.linspace、plt.xlim和xticks的区别
   详见这位博主

内容总结

以上是互联网集市为您收集整理的一元线性回归算法和sigmoid函数全部内容，希望文章能够帮你解决一元线性回归算法和sigmoid函数所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

---