import numpy as np import pandas as pd

计算代价函数J(θ)

def computeCost(X, y, theta): # X 、 y 、 theta 与数据预处理参数保持一致 # 返回代价函数的值（参考编程要求中的代价函数函数） m = len(y) predictions = X.dot(theta) square_err = (predictions - y) ** 2 J = (1.0 / (2 * m)) * np.sum(square_err) return J

批量梯度下降

返回参数 θ 的值和每次迭代后代价函数的值，梯度下降公式参考编程要求梯度下降公式

def gradientDescent(X, y, theta, alpha, epoch): # X 、 y 、 theta 与数据预处理参数保持一致 # alpha :学习率（取值：alpha = 0.01） # epoch :迭代次数（取值：epoch = 1000） cost = np.zeros(epoch) # 初始化一个 ndarray ，包含每次 epoch 的cost m = len(y) for i in range(epoch): predictions = X.dot(theta) theta = theta - alpha * (1.0 / m) * X.T.dot(predictions - y) cost[i] = computeCost(X, y, theta) return theta, cost