机器学习 作业5 线性回归算法

1.本节重点知识点用自己的话总结出来，可以配上图片，以及说明该知识点的重要性

（1）机器学习分类，本次学习内容为监督学习中的回归算法。

（2）回归算法：回归是统计学中最有力的工具之一。

（3）监督学习

（4）线性回归应用：

 

（5）多元线性回归

 

（6）线性回归定义

（7）矩阵知识

（8）损失函数

（9）回归算法优化

（10）最小二乘法之梯度下降

 

（11）线性回归示例：

import random
import matplotlib.pyplot as plt
xs = [0.1*x for x in range(0,10)]
ys = [12*i+4 for i in xs]
print(xs)
print(ys)
w = random.random()
b = random.random()
a1=[]
b1=[]
for i in range(100):
    for x,y in zip(xs,ys):
        o = w*x + b
        e = (o-y)
        loss = e**2
        dw = 2*e*x
        db = 2*e*1
        w = w - 0.1*dw
        b = b - 0.1*db
        print(\'loss={0}, w={1}, b={2}\'.format(loss,w,b))
    a1.append(i)
    b1.append(loss)
    plt.plot(a1,b1)
    plt.pause(0.1)
plt.show()

　　

2.思考线性回归算法可以用来做什么？（大家尽量不要写重复）

 对房价进行预测，判断信用评价，电影票房预估

3.自主编写线性回归算法 ，数据可以自己造，或者从网上获取。（加分题）

 应用线性回归算法预测波士顿房价

#应用线性回归算法预测波士顿房价
from sklearn.datasets import load_boston
from sklearn.linear_model import  LinearRegression
import matplotlib.pyplot as plt
#  获取波士顿房价数据
data = load_boston()
data_all = data[\'data\']
x = data_all[:, 5:6]
y = data[\'target\']
#  训练模型
model_LR = LinearRegression().fit(x,y)
#  模型预测
pre = model_LR.predict(x)
#  绘制图形
plt.scatter(x,y)
plt.plot(x,pre,c=\'r\')
plt.legend([\'real\',\'pre\'])
plt.show()