多元线性回归预测房价算法pythons实现

#多元线性回归预测房子的价格，构建一个房子价格的python模型。 ##ex1data2.txt中包含了房子价格的训练组。第一列是房子的尺寸（平方英尺），第二列是卧室的数量，第三列是房子的价格。

##多元线性回归预测房子的价格，构建一个房子价格的模型。
##ex1data2.txt中包含了房子价格的训练组。第一列是房子的尺寸（平方英尺），第二列是卧室的数量，第三列是房子的价格。
#-*- coding: UTF-8 -*-

import random
import numpy as np
import matplotlib.pyplot as plt

#加载数据
def load_exdata（filename）:
    data = []
    with open（filename ‘r‘） as f:
        for line in f.readlines（）:
            line = line.split（‘‘）
            current = [int（item） for item in line] #根据数据输入的不同确定是int 还是其他类型
            #5.52779.1302
            data.append（current）
    return data

data = load_exdata（‘ex1data2.txt‘）;
data = np.array（datanp.int64）      #根据数据输入的不同确定是int 还是其他类型


#特征缩放
def featureNormalize（X）:
    X_norm = X;
    mu = np.zeros（（1X.shape[1]））
    sigma = np.zeros（（1X.shape[1]））
    for i in range（X.shape[1]）:
        mu[0i] = np.mean（X[:i]） # 均值
        sigma[0i] = np.std（X[:i]）     # 标准差
#     print（mu）
#     print（sigma）
    X_norm  = （X - mu） / sigma
    return X_normmusigma
 
#计算损失
def computeCost（X y theta）:
    m = y.shape[0]
#     J = （np.sum（（X.dot（theta） - y）**2）） / （2*m）
    C = X.dot（theta） - y
    J2 = （C.T.dot（C））/ （2*m）
    return J2
 
#梯度下降
def gradientDescent（X y theta alpha num_iters）:
    m = y.shape[0]
    #print（m）
    # 存储历史误差
    J_history = np.zeros（（num_iters 1））
    for iter in range（num_iters）:
        # 对J求导，得到 alpha/m * （WX - Y）*x（i）， （3m）*（m1）  X （m3）*（31） = （m1）
        theta = theta - （alpha/m） * （X.T.dot（X.dot（theta） - y））
        J_history[iter] = computeCost（X y theta）
    return J_historytheta
     
 
iterations = 10000  #迭代次数
alpha = 0.01    #学习率
x = data[:（01）].reshape（（-12））
y = data[:2].reshape（（-11））
m = y.shape[0]
xmusigma = featureNormalize（x）
X = np.hstack（[xnp.ones（（x.shape[0] 1））]）
# X = X[range（2）:]
# y = y[range（2）:]
 
theta = np.zeros（（3 1））
 
j = computeCost（Xytheta）
J_historytheta = gradientDescent（X y theta alpha iterations）
 
 
print（‘Theta found by gradient descent‘theta）

def predict（data）:
    testx = np.array（data）
    testx = （（testx - mu） / sigma）
    testx = np.hstack（[testxnp.ones（（testx.shape[0] 1））]）
    price = testx.dot（theta）
    print（‘price is %d ‘ % （price））
 
predict（[16503]）

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        2527  2018-09-26 10:01  多元线性回归预测房价算法实现.py
     文件         657  2017-03-14 09:40  ex1data2.txt