监督学习Regression Model训练方法_compute_model_output

Coursera吴恩达机器学习专项课，C1W1笔记

无监督回归模型整体步骤：

步骤一：将模型以公式表达 Model representation

步骤二：计算代价函数 Cost function

步骤三：使用梯度下降算法 Gradient descent for linear regression

步骤一：将模型以公式表达 Model representation

1. 导入所需工具

import numpy as np
import matplotlib.pyplot as plt

2. 描述问题

此处以房价为例，1000sqft售价300千美元，2000sqft售价500千美元，则训练数据集为：

x_train = np.array([1.0, 2.0])
y_train = np.array([300.0, 500.0])
print(f"x_train = {x_train}")
print(f"y_train = {y_train}")

此处输出为：x_train = [1. 2.] y_train = [300. 500.]

3. 描述数据形状

用m表述训练数据的数量。Numpy有.shape的参数，因此：

print(f"x_train.shape: {x_train.shape}")
m = x_train.shape[0]
print(f"Number of training examples is: {m}")

此处输出：x_train.shape: (2,)   Number of training examples is: 2

4. 描述单个的训练数据

在列表的基础上，使用切片：

i = 0 # Change this to 1 to see (x^1, y^1)
 
x_i = x_train[i]
y_i = y_train[i]
print(f"(x^({i}), y^({i})) = ({x_i}, {y_i})")

此处输出：(x^(0), y^(0)) = (1.0, 300.0)

5. 绘制图表

可以使用matplotlib中的scatter()，可以设置maker形状，c颜色等参数：

# 绘制散点图
plt.scatter(x_train, y_train, marker='x', c='r')
# 设置标题
plt.title("Housing Prices")
# 设置y轴标签
plt.ylabel('Price (in 1000s of dollars)')
# 设置x轴标签
plt.xlabel('Size (1000 sqft)')
plt.show()

6. 描述模型

此处以最简单的一元线性回归为例，