[从0开始机器学习]1.一元一次函数线性回归

🐺本博主博客：ζั͡ ั͡雾 ั͡狼 ั͡✾的博客

🎀专栏：机器学习

🎀专栏：爬虫

🎀专栏：OpenCV图像识别处理

🎀专栏：Unity2D

---

⭐本节课理论视频：

吴恩达P1-P4：机器学习理论概述

吴恩达P5-P11：线性回归算法原理

⭐推荐其他人笔记：【吴恩达机器学习笔记详解】第二章 线性回归的过程

🐺机器学习通过文字描述是难以教学学会的，每一节课我会推荐这个理论的网课，一定要看上面的理论视频！一定要看上面的理论视频！一定要看上面的理论视频！所以我只是通过代码实现，并通过注释形式来详细讲述每一步的原因，最后通过画图对比的新式来看结果比较。

⭐机器学习推荐博主：GoAI

😊如果你什么都不懂机器学习，那我推荐GoAI的入门文章：机器学习知识点全面总结_GoAI的博客-CSDN博客_机器学习笔记

import numpy as np
import matplotlib.pyplot as plt
#全局变量
 
#随机生成数据
x = np.array(range(20))  # x轴数据生成1-20的整数
k = np.random.randint(-10, 10)
y = k * x + np.random.random(1) + 5  # y轴生成随机倍数的数据x加随机数（-1到1）加常数
# 列表长度
M =len(x)
# 赋予变量初始点
O1 =1
O2 =1
# 学习率，在代价函数斜率线上移动的距离步子大小
A = 0.01
# 迭代次数
time = 10000
 
def H(x):#假设函数，假设是个线性函数，斜率和截距不知道，是要回归算的变量
    # y=O1x+O2#大写O是参数
    global O1,O2
    return O1*x+O2
#代价函数L=求和（(H(x)-y(x))^2），其中H是关于O1，O2的函数
#代价函数就是你估算的值与实际值的差的大小，使得代价函数最小，这样就能不断逼近结果
#使得代价函数最小，就要使得初始点在斜率线上不断往低处移动，呈现出O1，O2俩个参数的不断微小移动
# 固定公式格式，推导原理看吴恩达P11
def dL_O1():#代价函数对O1参数求导的平均值
    global x,y,M
    ans=0
    for i in range(M):
        ans+=(H(x[i])-y[i])*x[i]#由于O1的系数是x，所以求导后还要乘x
    return ans/M
def dL_O2():#代价函数对O2参数求导的平均值
    global x,y,M
    ans=0
    for i in range(M):
        ans+=(H(x[i])-y[i])
    return ans/M
 
def itreation(time):#迭代，使O1，O2的代价函数趋于最低点
    global O1,O2,M,A
 
    for i in range(time):
 
        dO1=A*dL_O1()#一次迭代中，O1变化程度
        dO2=A*dL_O2()#一次迭代中，O2变化程度
        #同时变化，减法原因是正斜率使得O更小，负斜率使得O更大，不断往低处移动即代价函数最小
        O1=O1-dO1
        O2=O2-dO2
        if(i%100==0):#每100次输出一次
            print(f"迭代了{i}次,O1:{O1},O2:{O2}")
 
 
if __name__=="__main__":
 
    print(x)
    print(y)
 
    itreation(time)
    print(O1,O2)
    #绘图
    x1=np.linspace(min(x),max(x),10)
    y1=O1*x1+O2
    fig,axes=plt.subplots(nrows=1,ncols=2,figsize=(10,5))
    axes[0].scatter(x,y,s=3)
    axes[1].plot(x1,y1)
    axes[1].scatter(x,y,s=3,color="red")
    plt.show()

拟合了几次都比较好