这篇文章主要讲解了“怎么使用Python线性回归方法”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“怎么使用Python线性回归方法”吧！
来说说约定的符号，线性回归参数主要由斜率和截距组成，这里用W表示斜率，b表示截距。大写的W表示这是一个向量。一般来说是n_feauter_num数量，就是有多少个特征，W的shape就是(n_feauter_num,1),截距b是一个常数，通过公式Y=W*X+b计算出目标Y值，一般来说，在机器学习中约定原始值为Y，预测值为Y_hat。下面来谈谈具体实现步骤
构造数据
构造loss function(coss function)
分别对W和b计算梯度（也是对cost function分别对W和b求导）
计算Y_hat
多次迭代计算梯度，直接收敛或者迭代结束
下面给出具体python代码实现，本代码是通用代码，可以任意扩展W，代码中计算loss和梯度的地方采用的向量实现,因此增加W的维度不用修改代码
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，结果输出很接近预设参数[1,3,2]和10
是不是感觉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
感谢各位的阅读，以上就是“怎么使用Python线性回归方法”的内容了，经过本文的学习后，相信大家对怎么使用Python线性回归方法这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是创新互联，小编将为大家推送更多相关知识点的文章，欢迎关注！