引言
Jupyter Notebook中有一些魔法指令，需要安装第三方库
文章目录
- 引言
- 一、安装方法
-
- [方法一：使用 `pip` 或 `conda` 命令](#方法一：使用
pip或conda命令) - 方法二：在命令行（终端或命令提示符）中安装
- [方法一：使用 `pip` 或 `conda` 命令](#方法一：使用
- [二、使用Jupyter Notebook实现单变量线性回归的模型 f w , b f_{w,b} fw,b](#二、使用Jupyter Notebook实现单变量线性回归的模型 f w , b f_{w,b} fw,b)
-
- [2.1 工具](#2.1 工具)
- [2.2 问题陈述](#2.2 问题陈述)
- [2.3 创建 `x_train` 和 `y_train` 变量](#2.3 创建
x_train和y_train变量) - [2.4 训练示例的数量 `m`](#2.4 训练示例的数量
m) - [2.5 训练示例 `x_i, y_i`](#2.5 训练示例
x_i, y_i) - [2.6 绘制数据](#2.6 绘制数据)
- [2.7 观察结果](#2.7 观察结果)
- [2.8 预测](#2.8 预测)
- [2.9 输出结果](#2.9 输出结果)
- 三、总结
-
- [3.1 线性回归建立了一个模型，用于建立特征和目标之间的关系](#3.1 线性回归建立了一个模型，用于建立特征和目标之间的关系)
一、安装方法
在 Jupyter Notebook 中安装库通常有两种方法：
方法一：使用 pip 或 conda 命令
-
使用
pip安装 ：
打开 Jupyter Notebook，在新的单元格中输入以下命令，然后运行该单元格：python!pip install 库名将
库名替换为你想要安装的库的名称。 -
使用
conda安装 （如果你使用的是 Anaconda）：
类似地，如果你使用的是 conda 环境，可以使用以下命令：python!conda install 库名
方法二：在命令行（终端或命令提示符）中安装
也可以关闭 Jupyter Notebook，在命令行界面中安装库：
-
打开命令行界面（在 Windows 上是命令提示符或 PowerShell，在 macOS 或 Linux 上是终端）。
-
输入以下命令之一：
使用pip：bashpip install 库名使用
conda：bashconda install 库名
确保在安装库之前，你的 pip 和 conda（如果使用的话）已经更新到最新版本，这样你可以安装库的最新版本。使用以下命令来更新 pip 和 conda：
bash
pip install --upgrade pip
conda update conda安装库后，通常需要重启 Jupyter Notebook 的内核，以便新安装的库可以被正确加载和使用。在 Jupyter Notebook 中，可以通过点击 "Kernel" 菜单下的 "Restart" 来重启内核
二、使用Jupyter Notebook实现单变量线性回归的模型 f w , b f_{w,b} fw,b
2.1 工具
在这个实验中，将使用以下工具：
- NumPy，一个流行的科学计算库
- Matplotlib，一个流行的数据绘图库
python
import numpy as np
import matplotlib.pyplot as plt
plt.style.use('./deeplearning.mplstyle')2.2 问题陈述
这个实验将使用一个简单的数据集，其中只有两个数据点 ： 一个1000平方英尺（sqft）的房子以30万美元的价格售出，一个2000平方英尺的房子以50万美元的价格售出。
这两个点将构成我们的数据或训练集。在这个实验中，尺寸的单位是1000平方英尺，价格的单位是10万美元
| 尺寸 (1000 sqft) | 价格 (10万美元) |
|---|---|
| 1.0 | 300 |
| 2.0 | 500 |
想要拟合一个线性回归模型（上图中的蓝色直线），以便可以预测其他房子的价格 ，比如一个1200平方英尺的房子
2.3 创建 x_train 和 y_train 变量
创建变量并将数据存储在一维 NumPy 数组中
- x_train 是输入变量（1000平方英尺的尺寸）
- y_train 是目标（10万美元的价格）
python
x_train = np.array([1.0, 2.0])
y_train = np.array([300.0, 500.0])
print(f"x_train = {x_train}")
print(f"y_train = {y_train}")2.4 训练示例的数量 m
使用 m 来表示训练示例的数量。Numpy 数组有一个 .shape 参数。x_train.shape 返回一个 Python 元组，每个维度有一个条目。x_train.shape[0] 是数组的长度和示例的数量，如下所示
python
# m 是训练示例的数量
print(f"x_train.shape: {x_train.shape}")
m = x_train.shape[0]
print(f"训练示例的数量是：{m}")也可以使用 Python 的 len() 函数，如下所示
python
# m 是训练示例的数量
m = len(x_train)
print(f"训练示例的数量是：{m}")2.5 训练示例 x_i, y_i
使用 (x ( i ) ^{(i)} (i), y ( i ) ^{(i)} (i)) 来表示第 i t h i^{th} ith 个训练示例。由于 Python 是从零开始的，(x ( 0 ) ^{(0)} (0), y ( 0 ) ^{(0)} (0)) 是 (1.0, 300.0)，(x ( 1 ) ^{(1)} (1), y ( 1 ) ^{(1)} (1)) 是 (2.0, 500.0)
要访问 Numpy 数组中的值，可以使用所需的偏移量索引数组。例如，访问 x_train 位置零的语法是 x_train[0]
运行下面的代码以获取第 i t h i^{th} ith 个训练示例
python
i = 1 # 更改为 1 以查看 (x^1, y^1)
x_i = x_train[i]
y_i = y_train[i]
print(f"(x^({i}), y^({i})) = ({x_i}, {y_i})")2.6 绘制数据
- 使用
matplotlib库中的scatter()函数来绘制这两个点，如下所示 - 函数参数
marker和c将点显示为红色十字（默认是蓝色点） - 使用
matplotlib库中的其他函数来设置标题和标签以显示
python
# 绘制数据点
plt.scatter(x_train, y_train, marker='x', c='r')
# 设置标题
plt.title("房屋价格")
# 设置 y 轴标签
plt.ylabel('价格 (以10万美元为单位)')
# 设置 x 轴标签
plt.xlabel('尺寸 (1000平方英尺)')
plt.show()2.7 观察结果
如你所见，设置 w = 100 w = 100 w=100 和 b = 100 b = 100 b=100 并不能得到一条拟合我们数据的直线
2.8 预测
现在我们有了模型，我们可以使用它来进行我们的原始预测。让我们预测一个1200平方英尺的房子的价格。由于 x x x 的单位是1000平方英尺，所以 x x x 是 1.2
python
w = 200
b = 100
x_i = 1.2
cost_1200sqft = w * x_i + b
print(f"${cost_1200sqft:.0f} 千美元")2.9 输出结果
$340 thousand dollars
三、总结
3.1 线性回归建立了一个模型，用于建立特征和目标之间的关系
- 特征是房屋大小，目标是房屋价格
- 对于简单的线性回归，模型有两个参数 $w$ 和 $b$，它们的值是通过*训练数据*来"拟合"的
- 一旦确定了模型的参数，该模型就可以用来对新的数据进行预测