Machine learning 普通python中的简单线性回归 我刚刚开始学习机器学习，是通过安得烈NG从Coursera学习机器学习。< /强>，我试着在不使用任何ML库的情况下在纯Python中实现简单的线性回归。这段代码最终失败了。成本函数随着循环的迭代而增加，并达到非常高的值。我做错了什么 def cost_功能（列组，θ0，θ1）： 总误差=0 对于范围内的i（len（列车组））： x=列车组[i][0] y=列车组[i][1] 总误差+=（θ0+θ1*x）-y）**2 返回总错误/2*len（列车组） def梯度下降（列车设置、学习率、θ0、θ1）： θ0\u der，θ1\u der=0,0 对于范围内的i（len（列车组））： x=列车组[i][0] y=列车组[i][1] θ0_der+=（（θ0+θ1*x）-y） θ1_der+=（（θ0+θ1*x）-y）*x 新θ0=θ0-（1/列（列车组）*学习率*θ0顺序） 新θ1=θ1-（1/列（列车组）*学习速率*θ1顺序） 返回新的\u theta0，新的\u theta1 def main（）： θ0，θ1=0，0 学习率=0.001 迭代次数=100 x_train=data_frame.iloc[：，0] y_train=data_frame.iloc[：，1] 列车组=列表（zip（x列车，y列车））[：280]#[（1,2.444），（2,3.555），（3,6.444）…] 打印（'初始成本：'+str（成本函数（序列集，θ0，θ1））） 对于范围内的i（迭代）： x=列车组[i][0] y=列车组[i][1] 新θ0，新θ1=梯度下降（训练集，学习速率，θ0，θ1） θ0=新θ0 θ1=新θ1 打印（[theta0，theta1]） 打印（'最终成本：'+str（成本函数（序列集，θ0，θ1））） main（）

您将学习率设置得太高，请尝试将其更改为

0.0001

---

但是,， 您可以使用其封闭式方程直接实现简单线性回归，该方程为：

用python实现这一点非常简单，您可以这样做：-

class LinearRegression:
    def fit(self, X, y):
        ones = np.ones(len(X)).reshape(-1, 1)
        X = np.concatenate((ones, X), axis=1)

        B = np.matmul(np.linalg.pinv(np.matmul(X.T, X)), np.matmul(X.T, y))

        self.slope = B[1:]
        self.intercept = B[0]

    def predict(self, X):
        self.predicted = np.dot(X, self.slope) + self.intercept
        return self.predicted

拟合函数是在谈论

X

和

y

值并计算Beta（通过上面使用NumPy的公式）。Beta是一个矩阵，其中第一个索引值为截距，其余为斜率

---

预测函数获取2D数组，然后计算预测

是的，你是对的。学习率的价值很小。为了得到新的精确结果，我不得不将其设置为

0.00001

。