吴恩达-机器学习作业-ex1 线性回归(中文译本与解析)

吴恩达-机器学习作业-中文译本与解析

前言

本文章主要用python语言完成斯坦福大学吴恩达机器学习的课程作业。课程作业原先使用的是 Octave 和 MATLAB。不过以目前发展趋势来看,无论是对 Machine Learning 的学习还是对未来工程项目的开发 Python 都更为合适。

作业

第一章 ex1-线性回归

1 输入一行代码,返回一个5×5的的单位矩阵

import numpy as np
print(np.eye(5))#或print(np.identity(5)) 不同之处在于后者只能创建方阵

2 单变量线性回归

题目: 假设你是一家连锁餐厅的首席执行官,正在考虑在不同的城市开设一家新餐厅。该连锁店已经在多个城市拥有卡车,你可以得到城市的利润和人口数据。
您希望使用这些数据来帮助您选择要扩展到哪个城市。文件ex1data1.txt包含我们的线性回归问题的数据集。第一列是一个城市的人口,第二列是一个城市的流动餐车的利润。利润为负数表示亏损。

2.1 读取 ex1data1.txt 中数据,并根据数据画出散点图。散点图x轴命名为(‘Population of City in 10,000s’),y轴命名为(‘Profit in $10,000s’);

import numpy as np
import matplotlib.pyplot as plt
local_data=np.loadtxt("ex1data1.txt",delimiter=",")
X=local_data[:,0]
y=local_data[:,1]#X是一个城市的人口,y是一个城市的流动餐车的利润。
plt.plot(X,y,"o")
plt.xlabel("'Population of City in 10,000s'")
plt.ylabel("Profit in $10,000s")
plt.show()

结果如图:
吴恩达-机器学习作业-ex1 线性回归(中文译本与解析)_第1张图片
扩充:

  • np.load和np.save是读写磁盘数组数据的两个主要函数
  • loadtxt函数格式:numpy.loadtxt(fname, dtype=, comments=’#’, delimiter=None, converters=None, skiprows=0, usecols=None, unpack=False, ndmin=0) 其中skiprows是指跳过前“···”行;comment的是指, 如果行的开头为“···”就会跳过该行;delimiter为文件分隔符;
参数 含义
delimiter 加载文件分隔符
comment 指行的开头为“···”时提过改行
skiprows 跳过前“···”行
usecols 加载数据文件中的列索引

2.2 计算代价
假设单变量线性回归的函数为:
2.2 公式
代价函数为:
computeCost.py

import numpy as np

def computeCost(X, y, theta):
    
    # Initialize some useful values
    m = len(y) # number of training examples

    error = np.dot(X,theta) - y
    J = np.dot(error.T, error) / m/2

    return J

对np.dot()函数的补充:
dot()返回的是两个数组的点积(dot product)

梯度下降:
gradientDescent.py

import numpy as np
from computeCost import computeCost
def gradientDescent(X, y, theta, alpha, num_iters):
    
    # Initialize some useful values
    m = len(y) # number of training examples
    J_history = np.zeros((num_iters, 1))

    for iter in range(num_iters):

        error = np.dot(X,theta) - y
        theta = theta - alpha * np.dot(X.T,error) / m

        J_history[iter][0] = computeCost(X, y, theta)

    return theta, J_history



预测
城市人口为35000和70000时的利润:
predict1 = [1, 3.5] * theta
predict2 = [1, 7] * theta

predict1 = np.dot(np.array([1, 3.5]),theta)
print('For population = 35,000, we predict a profit of %f\n'%(predict1*10000));
predict2 = np.dot(np.array([1, 7]),theta)
print('For population = 70,000, we predict a profit of %f\n'%(predict2*10000));

ex1.py

在这里插入代码片

对np.vstack()函数的补充:
np.vstack:按垂直方向(行顺序)堆叠数组构成一个新的数组

import numpy as np
array_f=np.array([1,2,3])
array_d=np.array([4,5,6])
result=np.vstack((array_f,array_d))
print(result)
>>>[[1 2 3]
 [4 5 6]]

接下来的根据x预测y值,以及绘制三维图、等高线图题目中已给出,这里不再赘述。matlab中的画图函数surf和画等高线图函数contour可以自行百度。

你可能感兴趣的:(机器学习,python,numpy)