完整代码

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt#获取一个文本的数据（即本例中的数据集）
path = r'D:\Project\Pycharm Project\py2022\ExData\ex1data1.txt'#数据集的存储地址
data = pd.read_csv(path, header = None, names = ['Population', 'Profit'])#定义获取数据的形式，一列为人口，一列为经济利润
data.head()#head方法用来显示表格前五行的数据
#显示并检查数据
data.plot(kind='scatter', x='Population', y='Profit', figsize=(12,8))
plt.show()# 接下来是定义计算代价函数
def cost_func(x, y, w, b):#获得每一点数据的误差（成本）cost_matrix = np.power(((x * w + b) - y), 2)  # 这个就是矩阵相乘得到一个n*1维的矩阵与n*1维的y矩阵进行相减的平方return np.sum(cost_matrix) / (2 * len(x))  # 利用sum函数将cost矩阵所有元素加起来，再除以2m（m为总共的数据数量）# 计算迭代之后的w和b参数，w为斜率，b为截距，alpha为学习率
def compute_new_wb(x, y, w, b, alpha):m = len(x)dj_dw = 0dj_db = 0 #用于计算梯度for i in range(m):#老参数w和b所计算的所有y值（y0，y1，y2 ……）f_wb_i = w * x[i] + b#偏导之后的第i个和项（具体为什么这样可以看吴恩达老师讲解线性回归的视频）dj_dw_i = (f_wb_i - y[i]) * x[i]dj_db_i = (f_wb_i - y[i])##进行累加dj_dw = dj_dw + dj_dw_idj_db = dj_db + dj_db_idj_dw = (1 / m) * dj_dwdj_db = (1 / m) * dj_db#此时的dj_dw,dj_db就为老参数情况下的偏导return w - alpha * dj_dw, b - alpha * dj_db   #返回新的w和b#获取X矩阵和Y矩阵，为了方便计算成本函数，进行转置变成了列向量
X = np.matrix(data['Population'].values).T
Y = np.matrix(data['Profit'].values).Tprint(compute_new_wb(X, Y, 0, 0, 0.001)) #测试一下w=0，b=0迭代之后的w和b
#初始将w和b设为1，学习率设为0.01
w = 1
b = 1
alpha = 0.01
#经过1500次迭代
for i in range(1500):w, b = compute_new_wb(X, Y, w, b, alpha)print('最后计算出的w和b：', w, ',', b)
print('最后的成本函数', cost_func(X, Y, w, b))# 接下来就是画图
# 在人口的最小值和最大值之间取100个点，返回一个矩阵
x = np.linspace(data.Population.min(), data.Population.max(), 100)
#w[0, 0]为数值，w[0][0]则为列表
y = w[0, 0] * x + b[0, 0] # 获得y矩阵fig, ax = plt.subplots(figsize=(12, 8))
ax.plot(x, y, 'r', label='Prediction')#使用plot方法绘制预测直线
ax.scatter(data.Population, data.Profit, label='Training Data')
ax.legend(loc = 2)
ax.set_xlabel('Population')
ax.set_ylabel('Profit')
ax.set_title('Predicted Profit vs. Population Size')
plt.show()

#%%预测人口3500 和 7000时的经济收益
prediction1 = w[0, 0] * 3.5 + b[0, 0]
print("人口为3500时，小吃摊经济规模：", prediction1)
prediction2 = w[0, 0] * 7.0 + b[0, 0]
print("人口为7000时，小吃摊经济规模：", prediction2)

代码输出

打印出来的数据集

整个数据集分布图（注意：数据集必须下载到自己的本地，可以搜索其他博主https://blog.csdn.net/qq_39435411/article/details/109763239）

你也可以一开始改变w和b的值，例如w = 0，b = 0，不过最后预测出来的会有很小的误差

吴恩达机器学习ex1——通过人口预测小摊经济状况相关推荐

吴恩达机器学习ex1 Python实现
** ** 机器学习小白入门,在看吴恩达机器学习课程的同时找到了课后的练习.开贴用于记录学习(copy)过程. 学习参考:吴恩达机器学习ex1 单变量线性回归题目描述:在本部分的练习中,您将使用一个 ...
吴恩达机器学习Ex1多元回归部分
多元线性回归提交作业情况: 背景:预测房价数据集:房屋大小,卧室的数量,房价. Loading data ... First 10 examples from the dataset: x = [ ...
吴恩达机器学习Ex1
本次是week2 Linear Regression 的作业情况. 作业得分情况作业代码通过执行ex1.m文件获得想要的结果,其他函数为该文件所调用. ex1.m文件 %% Machine Lea ...
python分类预测降低准确率_python实现吴恩达机器学习练习3（多元分类器和神经网络）...
Programming Exercise 3: Multi-class Classification and Neural Networks 吴恩达机器学习教程练习3,练习数据是5000个手写数字(0 ...
吴恩达机器学习中文版课后题（中文题目+数据集+python版答案）week1 线性回归
一.单线性回归问题参考:https://blog.csdn.net/qq_42333474/article/details/119100860 题目一: 您将使用一元线性回归来预测食品车的利润.假设 ...
1. 吴恩达机器学习课程-作业1-线性回归
fork了别人的项目,自己重新填写,我的代码如下 https://gitee.com/fakerlove/machine-learning/tree/master/code 代码原链接文章目录 1. ...
吴恩达机器学习作业ex2-python实现
系列文章目录吴恩达机器学习作业ex1-python实现吴恩达机器学习作业ex2-python实现吴恩达机器学习作业ex3-python实现作业说明及数据集链接:https://pan.bai ...
吴恩达机器学习视频作业（Matlab实现）
吴恩达机器学习视频的课后作业,使用matlab实现 ex1 线性回归 1.热身建立一个5*5矩阵 A=eye(5); 2.单变量的线性回归需要根据城市人口数量,预测开小吃店的利润数据在ex1d ...
吴恩达机器学习课后作业——线性回归（Python实现）
1.写在前面吴恩达机器学习的课后作业及数据可以在coursera平台上进行下载,只要注册一下就可以添加课程了.所以这里就不写题目和数据了,有需要的小伙伴自行去下载就可以了. 作业及数据下载网址:吴恩 ...

吴恩达机器学习ex1——通过人口预测小摊经济状况

吴恩达机器学习ex1

完整代码

代码输出

吴恩达机器学习ex1——通过人口预测小摊经济状况相关推荐

最新文章

热门文章