人工智能导论综合设计实验.docx

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

学院

计算机科学与网络工程学院

年级/专业/班

姓名

学号

实验课程名称

人工智能导论实验

成绩

实验项目名称

人工智能导论综合设计实验

指导老师

范立生

(***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***)

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，VisualC++6.0/PythonAnaconda

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

importnumpyasnp

frommatplotlibimportpyplotasplt

np.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

defloadFile(path):

returnnp.loadtxt(path,dtype=np.float64,delimiter=,)

#2、定义一个线性回归函数

deflinerRegression():

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)

returntheta

#3、均值归一化函数

defmeanNormalization(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

foriinrange(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]

returnx_data

#4、显示均值归一化的效果，也就是散点图

defplotMeanNormalization(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