机器学习 单变量线性回归模型

背景与数据

这个实验用房屋面积预测房价,数据只有两个样本:

面积(1000 平方英尺) 价格(千美元)
1.0 300
2.0 500
  • 面积是特征 x ,价格是目标 y
  • 我们要拟合一条直线 fw,b(x)=wx+b 来预测房价

1. 数据准备

复制代码
import numpy as np
import matplotlib.pyplot as plt

# 加载数据
x_train = np.array([1.0, 2.0])  # 面积,单位:1000平方英尺
y_train = np.array([300.0, 500.0])  # 价格,单位:千美元

# 样本数量
m = x_train.shape[0]  # 输出:2

2. 定义模型函数

复制代码
def compute_model_output(x, w, b):
    m = x.shape[0]
    f_wb = np.zeros(m)
    for i in range(m):
        f_wb[i] = w * x[i] + b
    return f_wb

3. 初始模型(w=100, b=100)

用初始参数计算预测值:

  • 对 x(0)=1.0:fwb(1.0)=100∗1.0+100=200(真实值 300)
  • 对 x(1)=2.0:fwb(2.0)=100∗2.0+100=300(真实值 500)可以看到这条线完全偏离了数据点。

找到正确的 w 和 b

我们可以直接用两个点解出完美拟合的参数:把两个点代入 y=wx+b:

  1. 300=w∗1.0+b
  2. 500=w∗2.0+b

用第二个方程减第一个方程:500−300=(2w+b)−(w+b)200=w

把 w=200 代入第一个方程:300=200∗1.0+b→b=100

正确参数是 w=200,b=100,这和提示里给的建议一致。

验证一下:

  • x=1.0: 200∗1+100=300
  • x=2.0: 200∗2+100=500

效果:

  1. 单变量线性回归模型:fw,b(x)=wx+b,本质是用直线拟合数据。
  2. 训练数据 :这里的 x_train、y_train 是模型学习的基础,我们通过调整参数让直线尽可能贴近这些点。
  3. 参数含义 :
    • w:斜率,代表每增加 1 单位面积(1000 平方英尺),房价增加多少千美元(这里是 200 千美元,即 20 万美元)。
    • b:截距,代表面积为 0 时的理论房价(这里是 100 千美元,即 10 万美元)。
相关推荐
sanxing三省13 分钟前
DeepSeek Harness 到底是什么?标题里最重的词其实不是「DeepSeek」
前端·人工智能·deepseek
合尘猫1 小时前
用 6GB 显卡搭短视频产线:MiniMax H3 + ffmpeg 全流程实录(55 秒片 / 40 分钟)
人工智能·音视频
ZONGYUAN-ROOT1 小时前
【自愈治理】自愈式数据管道:大规模公开数据采集的治理方法
人工智能
Starry-sky(jing)1 小时前
Hermes Agent 升级 v0.23.2:先辨更新渠道,再看 CLI 退出残留修复
人工智能·python·ai agent
oil欧哟2 小时前
AI Agent Skill 入门指南:文件夹本质、渐进式加载与挑选方法
人工智能·ai编程
百度Geek说2 小时前
从代码生成到需求交付:DarkFactory 的工程实践
人工智能
Baihai_IDP2 小时前
使用场景不同,模型“推理速度慢”的原因也不同
人工智能·面试·llm
挖掘狂人2 小时前
AI 三分钟写完的代码,你凭什么敢直接上线?
人工智能·程序员·ai编程
墨林陌3 小时前
AI 热点日报(2026-11-20):苹果自研 AI 智能体曝光,Anthropic 上市首日大涨,智能体支付落地
人工智能