這篇文章主要介紹了python實現(xiàn)多元線性回歸的示例，具有一定借鑒價值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著大家一起了解一下。

創(chuàng)新互聯(lián)是一家集網(wǎng)站建設(shè),長葛企業(yè)網(wǎng)站建設(shè),長葛品牌網(wǎng)站建設(shè),網(wǎng)站定制,長葛網(wǎng)站建設(shè)報價,網(wǎng)絡(luò)營銷,網(wǎng)絡(luò)優(yōu)化,長葛網(wǎng)站推廣為一體的創(chuàng)新建站企業(yè)，幫助傳統(tǒng)企業(yè)提升企業(yè)形象加強企業(yè)競爭力。可充分滿足這一群體相比中小企業(yè)更為豐富、高端、多元的互聯(lián)網(wǎng)需求。同時我們時刻保持專業(yè)、時尚、前沿，時刻以成就客戶成長自我，堅持不斷學習、思考、沉淀、凈化自己，讓我們?yōu)楦嗟钠髽I(yè)打造出實用型網(wǎng)站。

總體思路與一元線性回歸思想一樣，現(xiàn)在將數(shù)據(jù)以矩陣形式進行運算，更加方便。
一元線性回歸實現(xiàn)代碼
下面是多元線性回歸用Python實現(xiàn)的代碼：

import numpy as np

def linearRegression(data_X,data_Y,learningRate,loopNum):
 W = np.zeros(shape=[1, data_X.shape[1]])
 # W的shape取決于特征個數(shù)，而x的行是樣本個數(shù)，x的列是特征值個數(shù)
 # 所需要的W的形式為 行=特征個數(shù)，列=1 這樣的矩陣。但也可以用1行，再進行轉(zhuǎn)置：W.T
 # X.shape[0]取X的行數(shù)，X.shape[1]取X的列數(shù)
 b = 0

 #梯度下降
 for i in range(loopNum):
  W_derivative = np.zeros(shape=[1, data_X.shape[1]])
  b_derivative, cost = 0, 0

  WXPlusb = np.dot(data_X, W.T) + b # W.T：W的轉(zhuǎn)置
  W_derivative += np.dot((WXPlusb - data_Y).T, data_X) # np.dot:矩陣乘法
  b_derivative += np.dot(np.ones(shape=[1, data_X.shape[0]]), WXPlusb - data_Y)
  cost += (WXPlusb - data_Y)*(WXPlusb - data_Y)
  W_derivative = W_derivative / data_X.shape[0] # data_X.shape[0]:data_X矩陣的行數(shù)，即樣本個數(shù)
  b_derivative = b_derivative / data_X.shape[0]


  W = W - learningRate*W_derivative
  b = b - learningRate*b_derivative

  cost = cost/(2*data_X.shape[0])
  if i % 100 == 0:
   print(cost)
 print(W)
 print(b)

if __name__== "__main__":
 X = np.random.normal(0, 10, 100)
 noise = np.random.normal(0, 0.05, 20)
 W = np.array([[3, 5, 8, 2, 1]]) #設(shè)5個特征值
 X = X.reshape(20, 5)  #reshape成20行5列
 noise = noise.reshape(20, 1)
 Y = np.dot(X, W.T)+6 + noise
 linearRegression(X, Y, 0.003, 5000)

特別需要注意的是要弄清：矩陣的形狀

在梯度下降的時候，計算兩個偏導值，這里面的矩陣形狀變化需要注意。

梯度下降數(shù)學式子：

 

以代碼中為例，來分析一下梯度下降中的矩陣形狀。
代碼中設(shè)了5個特征。

WXPlusb = np.dot(data_X, W.T) + b

W是一個1*5矩陣，data_X是一個20*5矩陣
WXPlusb矩陣形狀=20*5矩陣乘上5*1（W的轉(zhuǎn)置）的矩陣=20*1矩陣

W_derivative += np.dot((WXPlusb - data_Y).T, data_X)

W偏導矩陣形狀=1*20矩陣乘上 20*5矩陣=1*5矩陣

b_derivative += np.dot(np.ones(shape=[1, data_X.shape[0]]), WXPlusb - data_Y)

b是一個數(shù)，用1*20的全1矩陣乘上20*1矩陣=一個數(shù)

感謝你能夠認真閱讀完這篇文章，希望小編分享的“python實現(xiàn)多元線性回歸的示例”這篇文章對大家有幫助，同時也希望大家多多支持創(chuàng)新互聯(lián)成都網(wǎng)站設(shè)計公司，關(guān)注創(chuàng)新互聯(lián)成都網(wǎng)站設(shè)計公司行業(yè)資訊頻道，更多相關(guān)知識等著你來學習!

另外有需要云服務(wù)器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內(nèi)外云服務(wù)器15元起步，三天無理由+7*72小時售后在線，公司持有idc許可證，提供“云服務(wù)器、裸金屬服務(wù)器、網(wǎng)站設(shè)計器、香港服務(wù)器、美國服務(wù)器、虛擬主機、免備案服務(wù)器”等云主機租用服務(wù)以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務(wù)可用性高、性價比高”等特點與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應(yīng)用場景需求。

當前文章：python實現(xiàn)多元線性回歸的示例-創(chuàng)新互聯(lián)
網(wǎng)站路徑：http://www.xueling.net.cn/article/dcjegj.html