机器学习：线性回归：最小二乘法应用一元线性回归（持续更新）

目录

前言 (基础知识的准备 最小二乘法在回归中的应用)

利用最小二乘法解决最简单的一元线性回归问题

第一步：引入必要的库并且创建数据集（这里使用的例子是房价与面积的关系）

第二步 利用某些方法去用一条直线去拟合你的数据

第三步 观察与测评求出的W,B值与数据集的拟合程度并且做出预测

前言 (基础知识的准备 最小二乘法在回归中的应用)

    1. 简单线性回归中的最小二乘法公式

     2. 多元线性回归中的最小二乘法公式

利用最小二乘法解决最简单的一元线性回归问题

第一步：引入必要的库并且创建数据集（这里使用的例子是房价与面积的关系）

这里用的是随机的数据（房价与房屋面积）

• 假设房屋价格与房屋面积呈近似线性关系

In [194]:

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

In [195]:

def make_data():
    np.random.seed(1)
    x = np.random.rand(50)*30+50 #随机数生成100个数据表示房屋面积 以数组形式
    noise = np.random.rand(50)*50 #噪声
    y = x*8-100+noise   #表示房屋价格 数组形式
    return x,y

利用图标展现房屋价格与房屋面积的关系

In [197]:

# 生成房屋价格与房屋面积的散点图
x,y=make_data()
plt.xlabel('area')
plt.ylabel('prize')
plt.title('Area-Prize Table')
plt.scatter(x, y, c='r', marker='.', alpha=0.6, label='prize', linewidths=3)
plt.legend()
plt.show()

很明显他呈现近似一元线性关系，因此我们可以用一些方法去最大