广州大学学生实验报告开课学院及实验室：计算机科学与工程实验室 2020年12月30日(***报告只能为文字和图片,老师评语将添加到此处,学生请勿作答***)一、实验内容选择具体实际应用和公用数据（爬取或下载），应用人工智能算法，挖掘有趣知识模式或实现特定模型。
二、实验设备1. 实验设备：计算机；2. 平台：Windows操作系统，Visual C++ 6.0 / Python Anaconda三、实验步骤1. 爬取网络上白云区机场路小区的房价数据2. 使用梯度下降算法预测房价3. 画出房价预测模型四、分析说明（包括核心代码及解释）使用梯度下降算法预测房价自变量为房子面积和楼层高低，预设高楼层值为3，中楼层值为2，低楼层值为1. 因变量为房子价格将爬取的数据进行数据清洗后可得第一行数据为房子面积第二行数据为楼层高低，第三行为房子价格源代码：##多特征线性回归的房价预测import numpy as npfrom matplotlib import pyplot as pltnp.set_printoptions(suppress=True) # 禁止科学计数法plt.rcParams['font.sans-serif'] = ['SimHei'] # 允许画图中中文出现plt.rcParams['axes.unicode_minus'] = False # 解决画图中出现负数刻度显示异常的情况itersNum = 1000 # 迭代次数learnRate = 0.01 # 学习率# 1、首先读取文件中的数据def loadFile(path):return np.loadtxt(path, dtype=np.float64, delimiter=',')# 2、定义一个线性回归函数def linerRegression():data = loadFile('baiyun_jichanglu_clean.csv') # 读取文件数据x_data = np.array(data[:, 0:-1])y_data = np.array(data[:, -1]).reshape(-1, 1)x_data = meanNormalization(x_data)plotMeanNormalization(x_data)x_data = np.hstack((np.ones((len(y_data), 1)), x_data)) # 插入一列为1的数组colNmus = x_data.shape[1] # 计算出行数，以便确定所求参数个数theta = np.zeros((colNmus, 1)) # 构建一个参数向量theta, costAll = gradientDescent(x_data, y_data, theta)plotCostCurve(costAll)plotLinearRegression(x_data, theta, y_data)return theta# 3、均值归一化函数def meanNormalization(x_data):columnsMean = np.mean(x_data, 0) # 求出每一列的均值，0表示求列的均值，1表示求行的均值columnsStd = np.std(x_data, 0) # 求出每一类的标准差，0表示求列的标准差，1表示求行的标准差for i in range(x_data.shape[1]): # 归一化每一列的中的值减去均值，然后除去标准差shape[0]输出行数，shape[1]输出列数x_data[:, i] = (x_data[:, i] - columnsMean[i]) / columnsStd[i] return x_data# 4、显示均值归一化的效果，也就是散点图def plotMeanNormalization(x_data):plt.scatter(x_data[:, 0], x_data[:, 1])plt.title('数据均值归一化效果')plt.savefig('均值归一化效果.png') # 保存拟合图片plt.show()# 5、核心算法，开始进行迭代，进行梯度下降def gradientDescent(x_data, y_data, theta):theta_num = len(theta)theta_temp = np.matrix(np.zeros((theta_num, itersNum))) # 为了同步更新权重用，保存每一次迭代的结果costAll = np.zeros((itersNum, 1)) # 保存代价for i in range(itersNum):hypothesis = np.dot(x_data, theta)theta_temp[:, i] = theta - (learnRate / len(y_data)) *(np.dot(np.transpose(x_data), hypothesis - y_data))theta = theta_temp[:, i]costAll[i] = costFunction(x_data, y_data, theta)return theta, costAll# 6、计算代价函数def costFunction(x_data, y_data, theta):return np.sum(np.power(np.dot(x_data, theta) - y_data, 2)) / (2 *len(y_data))# 7、为了检验算法能否正确执行，现在将代价以图像的形式展现出来def plotCostCurve(costAll):x = np.arange(0, itersNum)plt.plot(x, costAll)plt.xlabel('迭代次数')plt.ylabel('代价值')plt.title('代价随迭代次数变化曲线')plt.savefig('CostCurve.png')plt.show()# 8、将拟合的过程以3D立体图像形式展现出来def plotLinearRegression(x_data, theta, y_data):plt.figure(figsize=(8, 10))x = x_data[:, 1]y = x_data[:, 2]theta = theta.flatten()z = theta[0, 0] + (theta[0, 1] * x) + (theta[0, 2] * y)ax = plt.subplot(211, projection='3d')ax.plot_trisurf(x, y, z)ax.scatter(x_data[:, 1], x_data[:, 2], y_data, label='实际数据') ax.set_xlabel('房屋大小')ax.set_ylabel('楼层')ax.set_zlabel('价格')plt.savefig('3d拟合theta值.png')plt.show()print(linerRegression()) # 执行算法.模型图：五、总结心得通过这次实验，我学会了如何使用梯度下降算法来预测房价，以及爬取数据和数据清洗。
