首页 / PYTHON / 线性回归 python 代码实现

线性回归 python 代码实现

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线性回归 python 代码实现，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2053字，纯文字阅读大概需要3分钟。

内容图文

本代码参考自：https://github.com/lawlite19/MachineLearning_Python#%E4%B8%80%E7%BA%BF%E6%80%A7%E5%9B%9E%E5%BD%92 

首先，线性回归公式：y = X*W +b 其中X是m行n列的数据集，m代表样本的个数，n代表每个样本的数据维度。则W是n行1列的数据，b是m行1列的数据，y也是。

损失函数采用MSE，采用梯度下降法进行训练

1 .加载数据集并进行读取

def load_csvdata(filename,split,dataType):        #加载数据集
    return np.loadtxt(filename,delimiter = split,dtype = dataType)

def read_data():  #读取数据集
    data = load_csvdata("data.txt",split=",",dataType=np.float64)
    print(data.shape) 
    X = data[:,0:-1] #取data的前两列
    y = data[:,-1]   #取data的最后一列作为标签
    return X,y

2 . 对数据进行标准化  

def feature_normalization(X):
    X_norm = np.array(X)
    mu = np.zeros((1,X.shape[1]))
    std = np.zeros((1,X.shape[1]))
    mu = np.mean(X_norm,0)
    std = np.std(X_norm,0)
    for i in range(X.shape[1]):
        X_norm[:,i] = (X_norm[:,i] - mu[i]) / std[i]
    return X_norm,mu,std

3. 损失值的计算

def loss(X,y,w):
    m = len(y)
    J = 0
    J = (np.transpose(X*w - y))*(X*w - y) / (2*m)
    print(J) 
    return J

4. 梯度下降算法的python实现

def gradientDescent(X,y,w,lr,num_iters):
    m = len(y)  #获取数据集长度
    n = len(w)  #获取每个输入数据的维度
    temp = np.matrix(np.zeros((n,num_iters)))
    J_history = np.zeros((num_iters,1))
    for i in range(num_iters): #进行迭代
        h = np.dot(X,w)   #线性回归的矢量表达式
        temp[:,i] = w - ((lr/m)*(np.dot(np.transpose(X),h-y))) #梯度的计算
        w = temp[:,i]
        J_history[i] = loss(X,y,w)
    return w,J_history

5. 绘制损失值随迭代次数变化的曲线图

def plotLoss(J_history,num_iters):
    x = np.arange(1,num_iters+1)
    plt.plot(x,J_history)
    plt.xlabel("num_iters")
    plt.ylabel("loss")
    plt.title("Loss value changes with the number of iterations")
    plt.show()

6. 主函数

if __name__ == "__main__":
    X,y = read_data()
    X,mu,sigma = feature_normalization(X)
    m = len(y)     #样本的总个数
    X = np.hstack((np.ones((m,1)),X))   #在x上加上1列是为了计算偏移b   X=[x0,x1,x2,......xm] 其中x0=1 y = x*w  
    y = y.reshape((-1,1))
    lr = 0.01
    num_iters = 400
    w = np.random.normal(scale=0.01, size=((X.shape[1],1)))
    theta,J_history = gradientDescent(X,y,w,lr,num_iters)
    plotLoss(J_history,num_iters)

7.结果

线性回归 python 代码实现 - 文章图片

内容总结

以上是互联网集市为您收集整理的线性回归 python 代码实现全部内容，希望文章能够帮你解决线性回归 python 代码实现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

扫描二维码推送至手机访问。

本文链接：https://qyyshop.com/info/677081.html

来源：【匿名】