吴恩达机器学习之单变量线性回归实现部分

C++实现

代码实现

“linear_regression.h”

//单变量线性回归模型
struct elem_var1
{double x, y;           //训练集元素数据：自变量、因变量
};class var1_lin_reg
{
public:var1_lin_reg(const elem_var1* p, int size, double rate);     //初始化~var1_lin_reg();                                             //析构double cost_fuction();                                       //返回当前预测方程对应代价函数的值void update();                                               //同时更新方程参数void find();                                                 //最小化代价函数，找到收敛点时对应的方程参数void get_par(double &_par1, double &_par0);                  //获得当前方程的参数double est_val(double x);                                    //使用拟合后的回归方程进行预测private:const elem_var1 * tran_set;        //训练集int setsize;                       //训练集数据量double par1, par0;                 //单变量线性回归方程：h(x)=par1*x+par0double learn_rate;                 //学习速率
};

“linear_regression.cpp”

//单变量线性回归
var1_lin_reg::var1_lin_reg(const elem_var1* p, int size, double rate)
{//参数列表：训练集数组地址，训练集数据量，学习速率setsize = size;           //获取训练集大小tran_set = p;             //指针指向训练集数组learn_rate = rate;        //设置学习速率par1 = 0;                 //线性回归方程参数初始化为0par0 = 0;
}var1_lin_reg::~var1_lin_reg()
{tran_set = NULL;setsize = 0;
}double var1_lin_reg::cost_fuction()
{//假设函数为h(x)=kx+bdouble hx, sum = 0;for (int i = 0;i < setsize;i++){hx = par1 * tran_set[i].x + par0;sum += (hx - tran_set[i].y)*(hx - tran_set[i].y);}return (sum / 2.0 / setsize);
}void var1_lin_reg::update()
{//两参数（par0和par1）同时更新（关键是对微分项的处理）double hx, sum0 = 0, sum1 = 0;for (int i = 0;i < setsize;i++){hx = par1 * tran_set[i].x + par0;sum0 += hx - tran_set[i].y;sum1 += (hx - tran_set[i].y)*tran_set[i].x;}sum0 = learn_rate * sum0 / (double)setsize;sum1 = learn_rate * sum1 / (double)setsize;par0 -= sum0;par1 -= sum1;
}void var1_lin_reg::find()
{//寻找代价函数最小化时对应的单变量线性回归函数的参数（代价函数收敛点）double cost_pre, cost_last;cost_pre = cost_fuction();update();                      //更新参数cost_last = cost_fuction();while (cost_pre != cost_last){//寻找收敛点cost_pre = cost_last;update();cost_last = cost_fuction();}//获得假设函数最优拟合时的参数
}void var1_lin_reg::get_par(double &_par1,double &_par0)
{//获取回归方程参数_par1 = par1;_par0 = par0;
}double var1_lin_reg::est_val(double x)
{//返回预测值find();               //获得假设函数最优拟合时的参数  double hx;hx = par1 * x + par0; //计算估计值return hx;
}

“主函数部分”

#include "linear_regression.h"using namespace std;int main()
{elem_var1 transet[200];memset(transet, 0, sizeof(transet));int size;double x;double par1, par0;cout << "请输入训练集容量：";cin >> size;cout << "请输入训练集数据：" << endl;for (int i = 0;i < size;i++){cout << "数据项" << i + 1 << ":  ";cin >> transet[i].x >> transet[i].y;}var1_lin_reg obj1(transet, size, 0.001);cout << "请输入待预测数据：";cin >> x;cout << "预测数据为：" << obj1.est_val(x) << endl;obj1.get_par(par1, par0);if(par0>0)cout << "h(x)=" << par1 << "*x+" << par0 << endl;else{if(par0<0)cout << "h(x)=" << par1 << "*x" << par0 << endl;elsecout << "h(x)=" << par1 << "*x" << endl;}return 0;
}

-运行结果
以吴恩达老师的ex1data1.txt数据集为例：
用octave数据可视化：

线性拟合应该还可以。。。。。。

吴恩达机器学习之单变量线性回归实现部分相关推荐

吴恩达机器学习2——单变量线性回归
吴恩达机器学习2--单变量线性回归监督学习工作模式训练集中同时给出了输入输出,即人为标注的"正确结果"喂给学习算法,得到一个函数h,h 可以根据输入的x得到一个y,因此h是x到 ...
吴恩达机器学习1——单变量线性回归、梯度下降
目录吴恩达机器学习第一周一.什么是机器学习? 二.机器学习的分类 1. 监督学习 2. 非监督学习 3. 监督学习和非监督学习的举例三.单变量线性回归(**Linear Regression w ...
吴恩达机器学习之单变量线性回归理论部分
理论部分 1.方程形式在进行数据处理过程中,有时数据图像可拟合成单变量线性函数,即 2.如何拟合此时,我们虽知道拟合函数的形式,但如何拟合仍是个问题,怎样拟合可以最接近实际数据情况呢? 最小二乘法 ...
吴恩达机器学习训练1：线性回归（多变量）
吴恩达机器学习训练1:线性回归(多变量) 本小节为练习1中选做题,为多变量(多特征参数)的线性回归计算. 还是预测房价的例子,假设已经两个特征参数,分别是房子的尺寸和卧室的数量,在数据的第一列和第二列 ...
Linear Regression 吴恩达机器学习实验一（线性回归）
Linear Regression with one variable 实验要求 """ 在这部分练习中,您将使用一个变量实现线性回归,以预测食品卡车的利润. 假设你是一 ...
吴恩达机器学习笔记 —— 5 多变量线性回归
http://www.cnblogs.com/xing901022/p/9321045.html 本篇主要讲的是多变量的线性回归,从表达式的构建到矩阵的表示方法,再到损失函数和梯度下降求解方法,再到特 ...
吴恩达机器学习ex5：正则化线性回归和方差与偏差
1.正则化线性回归 1.1.数据集的可视化训练数据集:X表示水位变化的历史记录,y表示流出大坝的水量: 交叉验证数据集:Xval,yval: 测试数据集:Xtest,ytest: 其中,训练数据集1 ...
用懊悔法学习吴恩达机器学习【2】-----线性回归的梯度下降
以下英文文档皆出自课程配套笔记课9 代价函数二这一课时考虑使用两个参数来描述代价函数.此时等价函数是一个碗形,碗底点为最小值,将碗形用等高线表示,等高线中心就是代价函数的最小值.所以距离等高线中心 ...
吴恩达机器学习（六）线性回归的梯度下降
文章目录 1.先导知识 2.线性回归的梯度下降 1.先导知识之前学习的内容: 2.线性回归的梯度下降我们要做的是将梯度下降法应用到最小化平方差代价函数, 我们解决过的梯度下降问题之一就是它容易陷入 ...

吴恩达机器学习之单变量线性回归实现部分

C++实现

吴恩达机器学习之单变量线性回归实现部分相关推荐

最新文章

热门文章