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
张较瘦_1 小时前
[论文阅读] 人工智能 + 软件工程 | 需求获取访谈中LLM生成跟进问题研究:来龙去脉与创新突破
论文阅读·人工智能
一 铭2 小时前
AI领域新趋势:从提示(Prompt)工程到上下文(Context)工程
人工智能·语言模型·大模型·llm·prompt
麻雀无能为力5 小时前
CAU数据挖掘实验 表分析数据插件
人工智能·数据挖掘·中国农业大学
时序之心5 小时前
时空数据挖掘五大革新方向详解篇!
人工智能·数据挖掘·论文·时间序列
.30-06Springfield6 小时前
人工智能概念之七:集成学习思想(Bagging、Boosting、Stacking)
人工智能·算法·机器学习·集成学习
说私域7 小时前
基于开源AI智能名片链动2+1模式S2B2C商城小程序的超级文化符号构建路径研究
人工智能·小程序·开源
永洪科技7 小时前
永洪科技荣获商业智能品牌影响力奖,全力打造”AI+决策”引擎
大数据·人工智能·科技·数据分析·数据可视化·bi
shangyingying_17 小时前
关于小波降噪、小波增强、小波去雾的原理区分
人工智能·深度学习·计算机视觉
书玮嘎8 小时前
【WIP】【VLA&VLM——InternVL系列】
人工智能·深度学习
猫头虎8 小时前
猫头虎 AI工具分享:一个网页抓取、结构化数据提取、网页爬取、浏览器自动化操作工具:Hyperbrowser MCP
运维·人工智能·gpt·开源·自动化·文心一言·ai编程