实验目的：实践为例，以尽可能简单的方式，来说明基于训练数据集的模型创建、学习和验证。
-
问题定义
基于训练数据集，使用单变量线性模型来预测房价。
该实验室将使用一个只有两个数据点的简单数据集——一栋 1000 平方英尺 (sqft) 的房子售价 300,000 美元，一栋 2000 平方英尺的房子售价 500,000 美元。这两点将构成我们的数据或训练集。 在这个实验室中，尺寸单位是 1000 平方英尺，价格单位是 1000 美元。
-
主要工具
-
Numpy，用于各种科学计算操作的库；
-
Matplotlib，展示数据和模型曲线的库；
-
逻辑路径
-
数据集探索（Data Exploration）；
-
加载数据；该例通过np.array创建数据集，如上图数据集表格；
-
查看数据样本数m，和特征数n；该例通过X.shape或len(X)来获取，m = 2，n = 1；
-
查看数据集中的任何数据X(i), y(i)；该例通过 array读取X[i] y[i];
-
可视化数据集；该例通过plt.scatter可获得数据集视觉效果；
-
手动建立模型（Model Creation manually)；
-
假设参数w = 100, b =100;
-
建立模型，f_wb = w*x + b; 即f_wb = 100*x + 100；
-
观察匹配度（Observation on Model fit to data)；
-
可视化数据集和预测模型；该例通过plt.scatter可获得数据集视觉效果，通过plt.plot可获得预测模型视觉效果；可见预测模型(直线)与数据集基本不匹配，因此需要继续调整模型，即w和b的值。
4. 手动调整参数 (Parameter tunning manually)；
a. 将 w 和 b 的值分别调整为200 和 100;
b. 建立模型，f_wb = w*x + b; 即f_wb = 200*x + 100；
5. 再次手动建立模型并观察匹配度，直至调整后的模型比较完美地匹配数据，就算大功告成了！
-
脑图总结
-
实现代码
https://github.com/goldboy225/study_notes_on_machine_learning_specialization_by_Andrew-Ng/blob/main/Code%20Practice/C1_W1_Lab03_Model_Representation_Soln.ipynb
总结思考：
-
基于数学理论，即相对简单的线性函数；
-
以手动方式选择并“建模”（Modeling，即单变量X的f(x)=wx+b线性模型），“学习”（Learning，即尝试不同w和b的值），“验证”（Validating, 即通过函数图像视觉上确认模型和数据集的匹配度），完成一个最基本的机器学习过程（Machine Learning Pipeline），从而可以基于此模型对新的数据x，预测y；
-
具体实操上要进一步熟悉python开发环境, numpy和matplot库，以及python code的实现方式，比如通过np.array实现数据创建和加载，X.shape或len(X)获取数据集维度，plt.scatter可视化数据，plt.plot可视化模型，以及通过for loop创建模型函数等。
原创文章，作者：门童靖博士，如若转载，请注明出处：https://www.agent-universe.cn/2022/07/12776.html
