机器学习 - 编程练习（一）：线性回归

最新推荐文章于 2022-10-29 21:10:32 发布

原创

最新推荐文章于 2022-10-29 21:10:32 发布 · 5.5k 阅读

7 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #编程

这篇博客是关于机器学习的编程练习，重点介绍了线性回归的实现。通过单变量和多元线性回归，讲解了数据可视化、梯度下降、成本函数计算以及特性一般化的过程。此外，还提供了Octave/MATLAB的相关函数和练习，帮助读者掌握线性回归模型的构建和优化。

编程练习（一）：线性回归

文件清单

ex1.m
ex1_multi.m
ex1data1.txt - ex1.m 用到的数据组
ex1data2.txt - ex1_multi.m 用到的数据组
submit.m - 提交代码
[*] warmUpExercise.m
[*] plotData.m
[*] computeCost.m
[*] gradientDescent.m
[+] computeCostMulti.m
[+] gradientDescentMulti.m
[+] featureNormalize.m
[+] normalEqn.m

* 为必须要完成的
+ 为可选

1 简单的Octave/MATLAB函数

完成 warmUpExercise.m ，使得 A 为 5x5 单位矩阵，送分的。

A = eye(5);

输出结果：

ans =
Diagonal Matrix
    1   0   0   0   0
    0   1   0   0   0
    0   0   1   0   0
    0   0   0   1   0
    0   0   0   0   1

1.1 提交代码

使用 submit

解决不能上传的问题：

Windows

进入练习的 /lib 文件夹中，编辑 submitWithConfiguration.m 修改第66行，然后重启octave

responseBody = urlread(submissionUrl, 'post', params);
% 改为
[code, responseBody] = system(sprintf('echo jsonBody=%s | curl -k -X POST -d @- %s', body, submissionUrl));

OSX Linux

进入练习的 /lib 文件夹中，编辑 submitWithConfiguration.m 修改第66行，然后重启octave

responseBody = urlread(submissionUrl, 'post', params);
% 改为
[code, responseBody] = system(sprintf('echo ''jsonBody=%s'' | curl -k -X POST -d @- %s', body, submissionUrl));

2 单变量线性回归

背景：假设我们现在是个连锁餐厅的老板，已经在很多城市开了连锁店（提供训练组），现在想再开新店，需要通过以前的数据预测新开的店的收益。

ex1data1.txt 提供所需要的训练组，第一列是城市人口，第二列是对应的收益。负值代表着亏损。

ex1.m 已经加载了数据。

2.1 可视化数据

ex1.m 中加载了变量 X 和 y：

data = load('ex1data1.txt'); % read comma separated data
X = data(:, 1); y = data(:, 2);
m = length(y); % number of training examples

接着 plotData 函数将其绘制出来，我们需要完成 plotData.m 进行绘图：

plot(x, y, 'rx', 'MarkerSize', 10); % Plot the data
ylabel('Profit in $10,000s'); % Set the y-axis label
xlabel('Population of City in 10,000s'); % Set the x-axis label

现在运行 ex1.m 就能看到类似图1的图像了：