线性回归中输入数据的numpy标准化哪里出了问题？

在完成Andrew Ng的机器学习课程作业-练习1时， 我必须根据房子的面积（平方英尺）和卧室的数量，用多元线性回归预测房子的价值

在一个新的例子X=[11650,3]中，我们必须预测房子的成本，其中1是偏差项，1650是房子的大小，3是卧室的数量，我使用以下代码对输出进行规范化和预测：

X_vect = np.array([1,1650,3])
X_vect[1:3] = (X_vect[1:3] - mu)/sigma
pred_price = np.dot(X_vect,theta)
print("the predicted price for 1650 sq-ft,3 bedroom house is ${:.0f}".format(pred_price))

这里，

mu

是先前作为

[2000.68085106 3.17021277]

计算的训练集的平均值，

sigma

是先前作为

[7.86202619e+02 7.52842809e-01]计算的训练数据的
标准偏差
，
theta
是
[340412.65957447 109447.79558639-6578.3539709]
。计算后
X_vect
的值为
[1 0]
。因此预测代码：

pred_price = np.dot(X_vect,theta_vals[0])

给出的结果是：1650平方英尺三居室房屋的预计价格为340413美元。
但根据答案键，这是错误的。因此我手动执行了以下操作：

print((np.array([1650,3]).reshape(1,2) - np.array([2000.68085106,3.17021277]).reshape(1,2))/sigma)

这是
X_vect
的标准化形式的值，输出为
[-0.44604386-0.22609337]

计算假设的下一行代码是：

print(340412.65957447 + 109447.79558639*-0.44604386 + 6578.3539709*-0.22609337)

或以更清晰的代码：

X1_X2 = (np.array([1650,3]).reshape(1,2) - np.array([2000.68085106,3.17021277]).reshape(1,2))/sigma

xo = 1

x1 = X1_X2[:,0:1]

x2 = X1_X2[:,1:2]

hThetaOfX = (340412.65957447*xo + 109447.79558639*x1 + 6578.3539709*x2)

print("The price of a 1650 sq-feet house with 3 bedrooms is ${:.02f}".format(hThetaOfX[0][0]))

这使得预测价格的结果为290106.82美元。这与答案键相匹配

我的问题是我在第一种方法中哪里出错了？
您只需要将
X_vect
数据类型更改为float，否则赋值操作将使用整数除法，导致
[1,0,0]
而不是
[1.，-0.44604386，-0.22609337]
。非常感谢！我不相信这是我的错误。在将其更改为X_vect=np.array（[11650,3]，dtype=“f”）后，我得到了正确的答案。