线性回归补充练习

巩固了线性回归的内容，练习了多变量的线性回归，对程序添加了一些详细的注释

import numpy as np#线性代数包
import pandas as pd#数据处理包
import matplotlib.pyplot as plt#画图包
path =  'ex1data2.txt'
data2 = pd.read_csv(path, header=None, names=['Size', 'Bedrooms', 'Price'])
#data2.head()
#特征归一化处理
data2 = (data2 - data2.mean()) / data2.std()
#data2.head()
#向量化处理
data2.insert(0, 'Ones', 1)#在第一列前加名字为ones的一列，其数值全为1
cols = data2.shape[1]#shape[0]是行数，shape[1]是列数，这里cols=4
X2 = data2.iloc[:,0:cols-1]#逗号前是行后是列，  :就是选择全部行，cols-1是3，选取规则是左闭右开区间，[0,3)就是第1第2第3列
y2 = data2.iloc[:,cols-1:cols]#y是全部行，[3,4)是第4列       cols-1:cols就是最后一列
X2 = np.matrix(X2.values)
y2 = np.matrix(y2.values)
theta2 = np.matrix(np.array([0,0,0]))#初始化θ为（0,0）一行三列

######定义代价函数
def computeCost(X, y, theta):
    # (X * theta.T) - y)就是所有的hθ(xi)-yi，是个列向量;np.power(x1，x2)就是对数组x1的元素分别求X2次方，x2可以是数组，但要求和x1列数相同
    inner = np.power(((X * theta.T) - y), 2)#(X * theta.T) - y)中所有的元素求平方
    return np.sum(inner) / (2 * len(X)) #np.sum就是对矩阵所有元素求和  len(X) X如果是矩阵，返回值是矩阵的行数;len(M[])返回列数

##梯度下降算法
def gradientDescent(X, y, theta, alpha, iters):
    temp = np.matrix(np.zeros(theta.shape))
    parameters = int(theta.ravel().shape[1])
    cost = np.zeros(iters)

    for i in range(iters):#遍历迭代次数
        error = (X * theta.T) - y

        for j in range(parameters):
            term = np.multiply(error, X[:, j])
            temp[0, j] = theta[0, j] - ((alpha / len(X)) * np.sum(term))

        theta = temp
        cost[i] = computeCost(X, y, theta)

    return theta, cost
#算法是批量梯度算法，parameters会自动适应变量数

alpha = 0.01
iters = 1000

g2, cost2 = gradientDescent(X2, y2, theta2, alpha, iters)

#computeCost(X2, y2, g2)
#绘制代价函数图
fig, ax = plt.subplots(figsize=(12,8))
ax.plot(np.arange(iters), cost2, 'r')
ax.set_xlabel('Iterations')
ax.set_ylabel('Cost')
ax.set_title('Error vs. Training Epoch')
plt.show()

标签：iters,回归,练习,cols,np,shape,线性,theta,data2
来源： https://www.cnblogs.com/zc-dn/p/16325533.html