怎么使用Python線性回歸方法

這篇文章主要講解了“怎么使用Python線性回歸方法”，文中的講解內容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“怎么使用Python線性回歸方法”吧！

來說說約定的符號，線性回歸參數主要由斜率和截距組成，這里用W表示斜率，b表示截距。大寫的W表示這是一個向量。一般來說是n_feauter_num數量，就是有多少個特征，W的shape就是(n_feauter_num,1),截距b是一個常數，通過公式Y=W*X+b計算出目標Y值，一般來說，在機器學習中約定原始值為Y，預測值為Y_hat。下面來談談具體實現步驟

• 構造數據

• 構造loss function(coss function)

• 分別對W和b計算梯度（也是對cost function分別對W和b求導）

• 計算Y_hat

• 多次迭代計算梯度，直接收斂或者迭代結束

下面給出具體python代碼實現，本代碼是通用代碼，可以任意擴展W，代碼中計算loss和梯度的地方采用的向量實現,因此增加W的維度不用修改代碼

import matplotlib.pyplot as pltimport numpy as npdef f(X):
 w = np.array([1, 3, 2])
 b = 10
 return np.dot(X, w.T) + bdef cost(X, Y, w, b):
 m = X.shape[0]
 Z = np.dot(X, w) + b
 Y_hat = Z.reshape(m, 1)
 cost = np.sum(np.square(Y_hat - Y)) / (2 * m) return costdef gradient_descent(X, Y, W, b, learning_rate):
 m = X.shape[0]
 W = W - learning_rate * (1 / m) * X.T.dot((np.dot(X, W) + b - Y))
 b = b - learning_rate * (1 / m) * np.sum(np.dot(X, W) + b - Y) return W, bdef main():
 # sample number
 m = 5
 # feature number
 n = 3
 total = m * n # construct data
 X = np.random.rand(total).reshape(m, n)
 Y = f(X).reshape(m, 1)# iris = datasets.load_iris()# X, Y = iris.data, iris.target.reshape(150, 1)# X = X[Y[:, 0] < 2]# Y = Y[Y[:, 0] < 2]# m = X.shape[0]# n = X.shape[1]
 # define parameter
 W = np.ones((n, 1), dtype=float).reshape(n, 1)
 b = 0.0
 # def forward pass++
 learning_rate = 0.1
 iter_num = 10000
 i = 0
 J = [] while i < iter_num:
 i = i + 1
 W, b = gradient_descent(X, Y, W, b, learning_rate)
 j = cost(X, Y, W, b)
 J.append(j)
 print(W, b)
 print(j)
 plt.plot(J)
 plt.show()if __name__ == '__main__':
 main()

可以看到，結果輸出很接近預設參數[1,3,2]和10

是不是感覺so easy.

step: 4998 loss: 3.46349593719e-07[[ 1.00286704]
 [ 3.00463459]
 [ 2.00173473]] 9.99528287088step: 4999 loss: 3.45443124835e-07[[ 1.00286329]
 [ 3.00462853]
 [ 2.00173246]] 9.99528904819step: 5000 loss: 3.44539028368e-07

感謝各位的閱讀，以上就是“怎么使用Python線性回歸方法”的內容了，經過本文的學習后，相信大家對怎么使用Python線性回歸方法這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關知識點的文章，歡迎關注！