线性回归的参数优化：

• 先完成最小二乘法的优化 (参考书中第二章 2.3中的公式)
• 再完成梯度下降法的优化 (参考书中第二章 2.3中的公式)

不同的基函数实现：

• 多项式基函数
• 高斯基函数

函数：

• 载入数据：load_data(filename)
• 基函数： identity_basis(x) multinomial_basis(x, feature_num=10) gaussian_basis x, feature_num=10)
• 训练模型：main(x_train, y_train) 返回从x到y的映射
• 评估模型：evaluate(ys, ys_pred)

主程序：

# 程序主入口（建议不要改动以下函数的接口）
if __name__ == '__main__':
    train_file = 'train.txt'
    test_file = 'test.txt'
    # 载入数据
    x_train, y_train = load_data(train_file)
    x_test, y_test = load_data(test_file)
    print(x_train.shape)
    print(x_test.shape)
# 使用线性回归训练模型，返回一个函数f()使得y = f(x)
f = main(x_train, y_train)

y_train_pred = f(x_train)
std = evaluate(y_train, y_train_pred)
print('训练集预测值与真实值的标准差：{:.1f}'.format(std))

# 计算预测的输出值
y_test_pred = f(x_test)
# 使用测试集评估模型
std = evaluate(y_test, y_test_pred)
print('预测值与真实值的标准差：{:.1f}'.format(std))

#显示结果
plt.plot(x_train, y_train, 'ro', markersize=3)

plt.plot(x_test, y_test, 'k')
plt.plot(x_test, y_test_pred, 'k')
plt.xlabel('x')
plt.ylabel('y')
plt.title('Linear Regression')
plt.legend(['train', 'test', 'pred'])
plt.show()</code></pre>

 

标签：__,plt,函数,pred,编程,神经网络,train,test,邱锡鹏
来源： https://www.cnblogs.com/hbuwyg/p/16326163.html