台大李宏毅Machine Learning学习笔记（三）——线性回归代码和误差来源

最新推荐文章于 2022-07-13 18:37:03 发布

既往不恋未来不迎

最新推荐文章于 2022-07-13 18:37:03 发布

阅读量292

点赞数

CC 4.0 BY-SA版权

分类专栏：机器学习笔记李宏毅机器学习误差来源文章标签：机器学习李宏毅偏差、误差和方差代码交叉验证

本文链接：https://blog.csdn.net/weixin_45416911/article/details/96998397

这篇博客介绍了李宏毅教授的线性回归课程中的代码实现，展示了线性回归预测宝可梦CP值的示例，并深入探讨了误差的来源，包括偏差和方差。通过图表解释了偏差衡量模型的精准度，方差则反映了模型的稳定性。文章还提到了过拟合问题以及解决方法，如交叉验证。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

线性回归的代码实现

这是李弘毅线性回归预测宝可梦 $c p$ 值课上给的代码示例，完善了下贴出来，希望对大家有帮助。

x_data = [338., 333., 328., 207., 226., 25., 179., 60., 208., 606.]
y_data = [640., 633., 619., 393., 428., 27., 193., 66., 226., 1591.]
#十个宝可梦的数据，线性模型
#y_data=b+w*x_data
#视频上的代码没有导入相关要用的模块，我在这里加了： 
#import numpy as np 
#import matplotlib.pyplot as plt 
#否则会提示'np'was not deined之类的信息

#arange是nump模块里用于创建数组的函数，第一个数为起点，第二个数为终点，第三个是步长 
#zeros:返回一个用0填充的数组
import numpy as np
import matplotlib.pyplot as plt  #导入相应的模块

x = np.arange(-200, -100, 1)  # bias
y = np.arange(-5, 5, 0.1)  # weight
Z = np.zeros((len(x