本文共 1688 字，大约阅读时间需要 5 分钟。

这一篇博客主要想要实现一下之前推导的简单的线性回归算法。

实现 Simple Linear Regression

下面我们对上述过程进行封装：

import numpy as npclass SimpleLinearRegression1:    def __init__(self):        """初始化 Simple Linear Regression 模型"""        self.a_ = None        self.b_ = None    def fit(self, x_train, y_train):        """根据训练数据集 x_train, y_train训练模型"""        assert x_train.ndim == 1, \            "Simple Linear Regression can only solve single feature training data"        assert len(x_train) == len(y_train), \            "the size of x_train must be equal to the size of y_train"        x_mean = np.mean(x_train)        y_mean = np.mean(y_train)        num = 0.0        d = 0.0        for x, y in zip(x_train, y_train):            num += (x - x_mean) * (y - y_mean)            d += (x - x_mean) ** 2        self.a_ = num / d        self.b_ = y_mean - self.a_ * x_mean        return self    def predict(self, x_predict): # x_predict 为一个向量        """给定预测数据集x_predict, 返回表示x_predict的结果向量"""        assert x_predict.ndim == 1, \            "Simple Linear Regression can only solve single feature training data"        assert self.a_ is not None and self.b_ is not None, \            "must fit before predict!"        return np.array([self._predict(x) for x in x_predict])    def _predict(self, x_single): # x_single 为一个数        """给定单个预测数据x_single, 返回x_single的预测结果值"""        return self.a_ * x_single + self.b_    def __repr__(self):        return "SimpleLinearRegression1()"

接下来，我们就开始使用我们自己的 SimpleLinearRegression。

  到此，我们就实现了一个简单的线性回归算法，不过，我在上一篇博客中曾提到过，在推导 a 和 b 的时候，我最后是将 a 进一步做了一个简化，我说经过这样的一个变化之后，我们在具体实现的时候，会有一个技巧让它更加的快一些，其实这个技巧就是使用向量化的运算方式，那么在后一篇博客中我将会介绍如何将我们现在的这个 Simple Linear Regression 的计算进行向量化，同时比较这二者之间的性能差距。

具体代码见

转载地址：http://ctoi.baihongyu.com/