吴恩达2022机器学习专项课程(一) 第一周课程实验:模型表示(Lab_03)

目标

学习如何使用一个变量实现线性回归模型。

导入需要的库

存储特征x和目标变量y

这是真实的训练集,[1.0,2.0]是房子的大小,[300,500]是房子的价格。

使用数组存储训练集的数据:

  • x_train:存储的是所有特征,[1.0,2.0],也就是房子的大小。
  • y_train:存储的是所有目标变量,[300,500],也就是是房子的价格。

获取训练样本的数量

由于我们要计算每一行训练样本的预测值,所以要知道一共有多少行训练样本,也就是求出m的值。

  • shape[0]:查看特征数组里有几个特征,示例中有2个特征,代表2行训练样本,因此m=2。
  • len:查看特征数组长度,数组里有2个特征,因此长度为2,也就是m=2。

获取每一组训练样本

  • x_train[i]/y_train[i]:查看第i行训练样本的特征或目标变量。

绘制训练集的数据点

把训练集的每行训练样本,以数据点的形式绘制在图表里。

初始化w和b

根据线性回归的函数,我们需要先知道w和b的值,这里先不讨论w和b的计算过程,直接给出一个初始值。

计算线性回归的预测值

每一行的训练样本都需要计算出一个预测值,因此m的作用体现出来了,用于循环。

  • f_wb = np.zeros(m):为了方便存储每一行训练样本的预测值,因此需要创建一个初始值为0,元素数量为m个的数组。示例中的m=2,它就是这个样子:【0. 0.】
  • w*x[i]+b:线性回归的计算公式,x[i]表示第一行训练样本的特征。
  • f_wb[i]:存储第i-1行训练样本的预测值。

绘图线性回归预测值的图表

代码

蓝色线条是这段代码绘制的 plt.plot(x_train, tmp_f_wb, c='b', label='Our Prediction')。

输出结果含义:蓝色线条没有拟合数据点,也就是说,模型预测的y值和真实的数据点y值差距很大。因为我们设置的w和b不合适。

尝试不同的w和b

由于给出了正确的w和b,线性回归模型才能够完美预测,但如果使用不同的w和b,例如更换成w=200和b=100,结果如何?

先修改w和b

-输出结果

-输出结果含义:按照我们初始化好的w和b的值,通过给定的x[1,2]和线性回归函数,计算出的预测值是准确的(预测值y帽[300,500]和训练集的y[300,500]),也就是说,我们的线性回归模型能够完美预测。

使用模型示例

经过上述的调整,我们找到了合适的w和b,因此我们的模型就可以用来预测房价了。

总结

首先我们将训练集的数据标记在图表上,然后要找到线性回归函数中合适的w和b。

设置到合适的w和b,我们需要计算每行训练样本的预测值。

通过计算好的预测值,我们要将线性回归函数的趋势绘制在图表中,通过是否能拟合训练集的数据点,来检测w和b是否合适。

由此可以看出,线性回归中比较重要的是要找到合适的w和b,才能比较完美的预测出靠近真实数据的预测值y帽。

这也引出了后面的课程,如何判断w和b是否合适?

相关推荐
金井PRATHAMA10 分钟前
AI赋能训诂学:解码古籍智能新纪元
人工智能·自然语言处理·知识图谱
练习两年半的工程师11 分钟前
AWS TechFest 2025: 智能体企业级开发流程、Strands Agents
人工智能·云计算·aws
蔡俊锋21 分钟前
如何利用 ChatGPT 辅助写作
ai·chatgpt·ai写作
Hello123网站24 分钟前
Whismer-你的定制化AI问答助手
人工智能·chatgpt·ai工具
yinmaisoft42 分钟前
当低代码遇上AI,有趣,实在有趣
android·人工智能·低代码·开发工具·rxjava
正经教主44 分钟前
【慢教程】Ollama4:ollama命令汇总
人工智能·ollama
大翻哥哥44 分钟前
Python 2025:AI工程化与智能代理开发实战
开发语言·人工智能·python
中杯可乐多加冰1 小时前
深度解析文心大模型X1.1:智能涌现与技术革新
人工智能
用户5191495848451 小时前
揭秘LedgerCTF的AES白盒挑战:逆向工程与密码学分析
人工智能·aigc
用户5191495848451 小时前
SonicWall防火墙安全态势深度分析:固件解密与漏洞洞察
人工智能·aigc