线性回归，逻辑回归个人总结
实验目的：
- 掌握线性回归基本原理和内容。
- 掌握逻辑回归基本原理和内容。
- 能够分析问题，选择合适的线性模型解决问题。
- 能够利用线性回归或逻辑回归建模，建立相关模型，并评价模型的好坏。
实验内容：
1.预测鲍鱼的年龄。
此案例所用数据来自UCI数据集，记录鲍鱼的一些相关属性，请根据这些属性构建一个模型来预测鲍鱼的年龄。
基本要求：
1、根据 '性别','长度','直径','高度','整体重量','肉重量','内脏重量','壳重'。对鲍鱼年龄进行预测。构建线性回归模型。
2、使用最小二乘法计算参数
3、使用梯度下降的方式计算参数
2.将香蕉进行分类。
此案例所用数据来自KEEL数据集，记录香蕉的一些相关属性，请根据这些属性构建一个模型将香蕉进行分类。
基本要求：
1、根据提供的数据集，对将香蕉进行分类。构建逻辑回归模型。
2、使用梯度下降的方式计算参数
实验报告要求：
简单描述实验步骤，详细写明程序代码与操作结果。
实验代码：
1.1最小二乘法
步骤注释:2.导入numpy包
3.设置矩阵全部输出，默认会输出一部分
5.加载abalone.txt文件此时data为一个矩阵
6.加一列全为1的数据 来当做系数b y=kx+b
7.截取data中的第10列数据作为y
8. 截取data中的前9列数据作为x
10. 
如上图所示公示中，python代码中np.linalg.inv则为矩阵的逆矩阵，np.dot则为矩阵的相乘，transpose()则为矩阵的转置。实际则为图上的公式
11.则为W*x得到相应的y的预测值
12-17. 以下则为模型参数的检验，参考公式为
1.2梯度下降法：
首先公式推导梯度：
步骤注释:
41-45：与前面一致，首先加一列全为1的数据（相当于b），然后划分成input（相当于x）和real（相当于y）
46：这个将其设置成迭代200次
47：计算出out（预测值y）
48-49：每次迭代输出预测值
50-51：这里首先计算出第一项的数据，因为样本数据一共有4177个数据，需要写一个for循环累加其中的（真实值-预测值）*x的和，所以需要在外边先设置一个全局变量delta
54：循环4177次，
57-58：环累加其中的（真实值-预测值）*x + delta （此处用到了50-51）
60：设置delat为负数，表示为梯度下降 ，而不是上升
61：这里设置步长为0.0001
64-65：最终则输出为最佳权重
2.预测香蕉
本题梯度下降梯度求解的方法与第一题一样。
这里引入了Sigmoid函数，
思路：将求得一个w 然后预测y，然后将y作为自变量带入Singmoid函数中，得到相应的函数值，预测值大于0.5且真实值大于0.5或者预测值小于0.5且真实值小于0.5，则视为预测正确，最终统计预测正确的个数得到sum。实验结果如下。
实验结果：
1.1最小二乘法:
由于测试集共有4166条数据，前面的不好截取，所以截取最后几十条数据进行对比，可以看到数据拟合度也是很高的。
1.1梯度下降法:
同样是截取最后的数据可以看到在1000次迭代后，预测值与输出值基本相拟合
2．香蕉的预测:
实验反思或感想：
梯度下降是迭代法的一种，可用于求解最小二乘法问题，线性非线性都可以。在求解机器学习模型参数时，即无约束最优化问题时，最常用的就是梯度下降，另一种方法就是最小二乘法。在求损失函数的最小值问题时，可使用梯度下降法一步步迭代得到损失函数的最小值和参数值；如果求损失函数的最大值就要用梯度上升法，所谓梯度下降，最终实际上都是求解函数最值问题，从而求得最理想的参数。