1.机器学习基础

机器学习：从数据中学习。
1.建立模型
2.学习模型
3.预测房价
学习算法：从数据中产生模型的算法。

1.1监督学习

Supervised Learning

1.2无监督学习

Unsupervised Learning
在样本数据没有标记的情况下，挖掘出数据内部蕴含的关系。
聚类：把相似度高的样本聚合在一起。

1.3半监督学习

Semi-Supervised Learning
将有监督学习和无监督学习相结合，综合使用大量的没有标记数据和少量有标记的数据共同进行学习。

2.一元线性回归

模型：y=wx+b
模型变量：x
模型参数：w：权重(weights)；b：偏置值(bias)

最佳拟合直线应该使得所有点的残差累计值最小。

损失函数：估量模型的预测值与真实值的不一致程度
最小二乘法：基于均方误差最小化来进行模型求解的方法

3.解析法实现一元回归

3.1 Python实现

#load dataset
x=[137.97,104.5,100.00,124.32,79.20,99.00,124.00,114.00,
106.69,138.05,53.75,46.91,68.00,63.02,81.26,86.21]
y=[145.00,110.00,93.00,116.00,65.32,104.00,118.00,91.00,
62.00,133.00,51.00,45.00,78.50,69.65,75.69,95.3]#Calculate w, b
meanX=sum(x)/len(x)
meanY=sum(y)/len(y)    sumXY=0.0
sumX=0.0
#Calculate in cycle
for i in range(len(x)):            sumXY+=(x[i]-meanX)*(y[i]-meanY)sumX+=(x[i]-meanX)*(x[i]-meanX)
#Calculate w,b
w=sumXY/sumX
b=meanY-w*meanX
#Output
print('w=',w)
print('b=',b)

3.2 NumPy实现

from numpy.core.fromnumeric import mean
#load dataset
x=np.array([137.97,104.5,100.00,124.32,79.20,99.00,124.00,114.00,
106.69,138.05,53.75,46.91,68.00,63.02,81.26,86.21])
y=np.array([145.00,110.00,93.00,116.00,65.32,104.00,118.00,91.00,
62.00,133.00,51.00,45.00,78.50,69.65,75.69,95.3])
#Calculate w,b
meanX=np.mean(x)
meanY=np.mean(y)
sumXY=np.sum((x-meanX)*(y-meanY))
sumX=np.sum((x-meanX)*(x-meanX))w=sumXY/sumX
b=meanY-w*meanX
print('w=',w)
print('b=',b)

3.3 TensorFlow实现

import tensorflow as tf
#load dataset
x=tf.constant([137.97,104.5,100.00,124.32,79.20,99.00,124.00,114.00,
106.69,138.05,53.75,46.91,68.00,63.02,81.26,86.21])
y=tf.constant([145.00,110.00,93.00,116.00,65.32,104.00,118.00,91.00,
62.00,133.00,51.00,45.00,78.50,69.65,75.69,95.3])
#Calculate w,b
meanX=tf.reduce_mean(x)
meanY=tf.reduce_mean(y)
sumXY=tf.reduce_sum((x-meanX)*(y-meanY))
sumX=tf.reduce_sum((x-meanX)*(x-meanX))w=sumXY/sumX
b=meanY-w*meanX
print('w=',w)
print('b=',b)

4.多元线性回归

多元回归：回归分析中包括两个或两个以上的自变量。
多元线性回归：因变量和自变量之间是线性关系。

神经网络与深度学习：回归问题相关推荐

神经网络和深度学习（5）-- 逻辑回归
神经网络和深度学习上一篇主目录下一篇文章结构 1.逻辑回归 [前言] 逻辑回归学习算法,该算法适用于二分类问题,本节将主要介绍逻辑回归的 Hypothesis Function(假设函数) ...
吴恩达《神经网络和深度学习》第二周编程作业—用神经网络思想实现逻辑回归
吴恩达<神经网络和深度学习>-用神经网络思想实现逻辑回归 1 安装包 2 问题概述 3 学习算法的一般架构 4 构建算法的各个部分 4.1 激活函数 4.2 初始化参数 4.3 前向和后向 ...
0.0 目录-深度学习第一课《神经网络与深度学习》-Stanford吴恩达教授
文章目录第五课第四课第三课第二课第一课第五课 <序列模型> 笔记列表 Week 1 循环序列模型 Week 1 传送门 -> 1.1 为什么选择序列模型 1.2 数学符号 ...
干货 | 神经网络与深度学习精选文章汇总
AI有道不可错过的AI技术公众号关注下面这部分列出了吴恩达深度学习专项课程中关于NN和DNN方面的所有精炼笔记.主要包括:神经网络与深度学习.优化神经网络.构建机器学习项目三块内容. 如果你对我 ...
吴恩达《神经网络与深度学习》精炼笔记（5）-- 深层神经网络
上节课我们主要介绍了浅层神经网络.首先介绍神经网络的基本结构,包括输入层,隐藏层和输出层.然后以简单的2 layer NN为例,详细推导了其正向传播过程和反向传播过程,使用梯度下降的方法优化神经网络参 ...
吴恩达《神经网络与深度学习》精炼笔记（4）-- 浅层神经网络
上节课我们主要介绍了向量化.矩阵计算的方法和python编程的相关技巧.并以逻辑回归为例,将其算法流程包括梯度下降转换为向量化的形式,从而大大提高了程序运算速度.本节课我们将从浅层神经网络入手,开始真 ...
Coursera吴恩达《神经网络与深度学习》课程笔记（5）-- 深层神经网络
红色石头的个人网站:redstonewill.com 上节课我们主要介绍了浅层神经网络.首先介绍神经网络的基本结构,包括输入层,隐藏层和输出层.然后以简单的2 layer NN为例,详细推导了其正向传 ...
Coursera吴恩达《神经网络与深度学习》课程笔记（3）-- 神经网络基础之Python与向量化
红色石头的个人网站:redstonewill.com 上节课我们主要介绍了逻辑回归,以输出概率的形式来处理二分类问题.我们介绍了逻辑回归的Cost function表达式,并使用梯度下降算法来计算最小 ...
邱锡鹏教授--神经网络和深度学习（一）
邱锡鹏教授--神经网络和深度学习(一) 机器学习线性模型 long time no see-今天开始会把之前或平时的学习笔记记录到这里,有误请大家帮我指正一下,开始冲了!对应的资源我会上传到这里,大 ...
开放下载！复旦大学邱锡鹏教授发布教科书《神经网络与深度学习》
点击"小詹学Python","星标"或"置顶" 关键时刻,第一时间送达本文转载自"机器之心" 从2016到2019,根 ...

神经网络与深度学习：回归问题

回归问题