机器学习线性回归代码总结

1.首先，用pandas读取一个文本的数据，要想给每列加一个标题，用：data = pd.read_csv(path, header=None, names=[‘Population’, ‘Profit’])
2.这是pandas自带的画图工具使用方法：
data.plot(kind=‘scatter’, x=‘Population’, y=‘Profit’, figsize=(12,8))
plt.show()
3.让我们在训练集中添加一列，以便我们可以使用向量化的解决方案来计算代价和梯度:
data.insert(0, ‘Ones’, 1) #这个代表在第0列，插入标题为ones的列，全部用1填充
4.cols = data.shape[1] #0行1列
5.pandas中的apply()函数：可以对每一行或者列全部运算，比如全部+1
return df.apply(lambda column: (column - column.mean()) / column.std()) #特征缩放
6.concat函数是在pandas底下的方法，可以将数据根据不同的轴作简单的融合
data = pd.concat([ones, df], axis=1) # 合并数据，根据列合并
7.ax.legend(loc=2) # loc参数设置图例的显示位置的
8.np.linspace()在指定的间隔内返回均匀间隔的数字
9.np.shape[0]返回行的长度，np.shape[1]返回列的长度，iloc[]通过行号来读取数据，np.shape返回各个维度的维数
10.numpy的tile()函数将变量内容复制成输入矩阵同样大小的矩阵
11.np.squeeze()函数从数组的形状中删除单维度条目，即把shape中为1的维度去掉
12.np.zeros(())一般有两个括号
13.np.pad()可以将numpy数组按指定的方法填充成指定的形状，一般用“constant”

最后

以上就是炙热月光为你收集整理的机器学习线性回归代码总结的全部内容，希望文章能够帮你解决机器学习线性回归代码总结所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。