我正在编写线性回归代码，其中我的模型将根据面积预测房屋价格。因此，我只有一个特征是房屋面积，而我的输出是价格。我的输入是面积在1000-9000之间的房屋价格在280000-800000之间。因此，我应该如何执行特征缩放以及如何使用输出进行管理。我的意思是问我是否要使房屋面积在0-1范围内，并且房价也在0-1范围内，而不是找出theta1和theta2的值（因为我正在应用线性回归方程，如output = theta1 + theta2 *输入），否则我应该将房价降低到1000-9000范围内。
我正在应用特征缩放，其中我将输入值和输出值都放在0-1之间，我的模型没有给出正确的答案。我可以找出其中的错误，但无法纠正。请告诉我我应该如何进行。
答案 0 :(得分：0)
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import normalize
import numpy as np
X=np.random.randint(1000,9000,(10,))
Y=np.random.randint(100,200,(10,))+100*X
reg = LinearRegression().fit(X.reshape(-1,1), Y)
print(reg.score(X.reshape(-1,1),Y))
print(reg.coef_)
0.9999999822251018
[100.00518473]
X1=normalize(X.reshape(-1,1),axis=0)
Y1=normalize(Y.reshape(-1,1),axis=0)
reg = LinearRegression().fit(X1.reshape(-1,1), Y1)
print(reg.score(X1.reshape(-1,1),Y1))
print(reg.coef_)
0.9999999822251019
[[0.99982554]]
这只是使用非归一化和归一化数据的普通线性回归。在这些情况下不会有任何区别。只有问题的标题包含“梯度下降”，因此，如果使用梯度下降方法，权重将自动调整。
由于正常的SGD为： w = w-alpha * delta
其中alpha是学习率，随着时间的流逝，权重将自动调整。因此，这两者之间没有区别。只有归一化的那个必须处理小于1的数字，因此计算会更容易。