线性回归（2）从零开始实现

最新推荐文章于 2025-05-12 15:05:06 发布

原创

最新推荐文章于 2025-05-12 15:05:06 发布 · 422 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#线性回归 #MXNet #从零开始实现

本文深入探讨线性回归的基本概念，并逐步引导读者从零开始实现一个简单的线性回归模型。通过理解线性回归的数学原理，我们将亲自编写代码，完成模型训练与预测，为后续的机器学习实践奠定基础。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

from mxnet import nd
from time import time

a = nd.ones(shape=1000)
b = nd.ones(shape=1000)

start = time()
c = nd.zeros(shape=1000)
for i in range(1000):
    c[i] = a[i]+b[i]
time() - start

start = time()
d = a + b
time() - start

a = nd.ones(shape=3)
b = 10
a + b

#代码从这里开始，上面是简单的练习----------------------------------------------------------
%matplotlib inline
from IPython import display
from matplotlib import pyplot as plt
from mxnet import autograd, nd
import random

num_inputs = 2
num_examples = 1000
true_w = [2, -3.4]
true_b = 4.2
features = nd.random.normal(scale=1,shape=(num_examples, num_inputs))
labels = true_w[0] * features[:,0] + true_w[1] * features[:,1] + true_b
labels += nd.random.normal(scale=0.01, shape=labels.shape)

features[0],labels[0]

def use_svg_display():
    # 用矢量图显示
    display.set_matplotlib_formats('svg')
    
def set_figsize(figsize=(3.5, 2.5)):
    use_svg_display()
    # 设置图的尺寸
    plt.rcParams['figure.figsize