资源简介
利用正规方程矩阵求导进行最小二乘,求得最佳拟合直线。

代码片段和文件信息
# -*- coding: utf-8 -*-
“““
Created on Thu May 3 16:59:16 2018
@author: FZ
“““
import matplotlib.pyplot as plt
import numpy as np
import linear_regression
xArryArr = linear_regression.loadDataSet(‘ex0.txt‘) #得到特征矩阵 以及对应的目标矩阵
ws = linear_regression.standRegres(xArryArr) #得到回归系数
#ouput : y = ws[0] + ws[1]*x
#drawing
xMat = np.mat(xArr)
yMat = np.mat(yArr)
yHat = xMat*ws #prediction value
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(xMat[:1].flatten().A[0]yMat.T[:0].flatten().A[0]color=‘k‘)
xCopy = xMat.copy()
xCopy.sort(0) #升序防止次序混乱
yCHat = xCopy*ws
ax.plot(xCopy[:1]yCHatcolor=‘k‘)
plt.savefig(‘linear_fitting.png‘dpi=400)
#判断拟合好坏,算相关系数
correlation_coefficient = np.corrcoef(yHat.TyMat)
#1 0.986474
#0.986474 1 模型拟合度 好
属性 大小 日期 时间 名称
----------- --------- ---------- ----- ----
目录 0 2018-05-03 17:56 8.1_linear_regression\__pycache__\
文件 977 2018-05-03 17:56 8.1_linear_regression\__pycache__\linear_regression.cpython-36.pyc
文件 970 2018-05-03 17:31 8.1_linear_regression\__pycache__\regression.cpython-36.pyc
文件 895 2018-05-04 10:23 8.1_linear_regression\do_linear_regerssion.py
文件 5600 2011-01-08 10:02 8.1_linear_regression\ex0.txt
文件 124431 2018-05-04 10:23 8.1_linear_regression\linear_fitting.png
文件 1063 2018-05-03 17:56 8.1_linear_regression\linear_regression.py
相关资源
- 机器学习(周志华)配套代码
- 机器学习-岭回归实现
- 012345手势识别神经网络代码
- 猫-非猫图二分类识别
- 机器学习k means算法实现图像分割
- 线性回归模型实验指导 .pptx
- kmeans聚类算法的python实现程序
- Python100经典练习题
- 南瓜书(PumpkinBook)
- python实现一元线性回归.py
- 机器学习numpy和pandas基础
- python机器学习Sebastian Raschka中文最新完
- Python-DeepMoji模型的pyTorch实现
- 《机器学习实战》源代码Python3
- Python-使用DeepFakes实现YouTube视频自动换
- Introduction to machine learning with python (
- python新浪微博爬虫,爬取微博和用户
- Python-一系列高品质的动漫人脸数据集
- Python-Insightface人脸检测识别的最小化
- 非线性回归Python代码
- 093 2018北风网人工智能视频(完结)转
- python的色情图片识别
- 贝叶斯网络程序
- 《机器学习实战》Python3代码
- Python-自然场景文本检测PSENet的一个
- Python-在特征金字塔网络FPN的Pytorch实现
- Python-PyTorch实时多人姿态估计项目的实
- Python-用PyTorch10实现FasterRCNN和MaskRCNN比
- Python-心脏核磁共振MRI图像分割
- Python-基于YOLOv3的行人检测
评论
共有 条评论