网站制作运营,wordpress 底部音乐播放器插件,开发一个商城网站多少钱,微商引流客源最快的方法前言
有一个开源的、商业上可用的机器学习工具包#xff0c;叫做scikit-learn。这个工具包包含了你将在本课程中使用的许多算法的实现。
目标
在本实验室你可以#xff1a;
利用scikit-learn实现基于正态方程的近似解线性回归
工具
您将使用scikit-learn中的函数以及ma…前言
有一个开源的、商业上可用的机器学习工具包叫做scikit-learn。这个工具包包含了你将在本课程中使用的许多算法的实现。
目标
在本实验室你可以
利用scikit-learn实现基于正态方程的近似解线性回归
工具
您将使用scikit-learn中的函数以及matplotlib和NumPy
import numpy as np
np.set_printoptions(precision2)
from sklearn.linear_model import LinearRegression, SGDRegressor
from sklearn.preprocessing import StandardScaler
from lab_utils_multi import load_house_data
import matplotlib.pyplot as plt
dlblue #0096ff; dlorange #FF9300; dldarkred#C00000; dlmagenta#FF40FF; dlpurple#7030A0;
plt.style.use(./deeplearning.mplstyle)线性回归闭式解
Scikit-learn具有线性回归模型实现了封闭形式的线性回归。 让我们使用早期实验室的数据——一个1000平方英尺的房子卖了30万美元一个2000平方英尺的房子卖了50万美元。
Size (1000 sqft)Price (1000s of dollars)13002500
加载数据集
X_train np.array([1.0, 2.0]) #features
y_train np.array([300, 500]) #target value创建并拟合模型
下面的代码使用scikit-learn执行回归。第一步创建一个回归对象。 第二步使用与对象相关的方法之一fit。这将执行回归将参数拟合到输入数据。该工具包需要一个二维X矩阵。
linear_model LinearRegression()
#X must be a 2-D Matrix
linear_model.fit(X_train.reshape(-1, 1), y_train) 视图参数 w \mathbf{w} w和 b \mathbf{b} b参数在scikit-learn中被称为“系数”和“截距”。
b linear_model.intercept_
w linear_model.coef_
print(fw {w:}, b {b:0.2f})
print(fmanual prediction: f_wb wxb : {1200*w b})做出预测
调用predict函数生成预测。
y_pred linear_model.predict(X_train.reshape(-1, 1))print(Prediction on training set:, y_pred)X_test np.array([[1200]])
print(fPrediction for 1200 sqft house: ${linear_model.predict(X_test)[0]:0.2f})第二个例子是
第二个例子来自早期的一个具有多个特征的实验。最终的参数值和预测非常接近该实验室非标准化“长期”的结果。这种不正常的运行需要几个小时才能产生结果而这几乎是瞬间的。封闭形式的解决方案在诸如此类的较小数据集上工作得很好但在较大的数据集上可能需要计算。 封闭形式的解不需要规范化。 # load the dataset
X_train, y_train load_house_data()
X_features [size(sqft),bedrooms,floors,age]linear_model LinearRegression()
linear_model.fit(X_train, y_train) b linear_model.intercept_
w linear_model.coef_
print(fw {w:}, b {b:0.2f})print(fPrediction on training set:\n {linear_model.predict(X_train)[:4]} )
print(fprediction using w,b:\n {(X_train w b)[:4]})
print(fTarget values \n {y_train[:4]})x_house np.array([1200, 3,1, 40]).reshape(-1,4)
x_house_predict linear_model.predict(x_house)[0]
print(f predicted price of a house with 1200 sqft, 3 bedrooms, 1 floor, 40 years old ${x_house_predict*1000:0.2f})祝贺
在这个实验中你:
使用开源机器学习工具包scikit-learn使用该工具包中的接近形式解决方案实现线性回归
