From 1e30c07171c5fd99e60d5beb5e2cc2ca9e2b5976 Mon Sep 17 00:00:00 2001
From: Your Name <Maqi@example.com>
Date: Fri, 5 Jul 2024 22:21:17 +0800
Subject: [PATCH] maqi

---
 pppp.py | 31 +++++++++++++++++++++++++++++++
 1 file changed, 31 insertions(+)
 create mode 100644 pppp.py

diff --git a/pppp.py b/pppp.py
new file mode 100644
index 0000000..ecea69f
--- /dev/null
+++ b/pppp.py
@@ -0,0 +1,31 @@
+import numpy as np
+
+# 步骤 1: 数据准备
+# 为了简化，我们这里构造一个假想的数据集
+np.random.seed(0)
+X = np.random.rand(100, 1) * 2000  # 假定房屋面积范围为0-2000平方英尺
+true_slope = 100  # 真实世界中每平方英尺的价格影响因子
+true_intercept = 50000  # 基础价格
+noise = np.random.randn(100, 1) * 5000  # 添加一些随机噪声
+y = true_slope * X + true_intercept + noise  # 房屋价格
+
+# 步骤 2: 初始化模型参数和超参数
+slope = 0
+intercept = 0
+learning_rate = 0.01
+epochs = 1000
+
+# 步骤 3: 梯度下降
+for epoch in range(epochs):
+    y_pred = slope * X + intercept  # 预测值
+    error = y_pred - y  # 误差
+    D_slope = -2 * (X.T.dot(error)) / len(X)  # 对斜率的梯度
+    D_intercept = -2 * np.sum(error) / len(X)  # 对截距的梯度
+    slope -= learning_rate * D_slope  # 更新斜率
+    intercept -= learning_rate * D_intercept  # 更新截距
+
+# 步骤 4: 使用模型进行预测
+# 假设我们要预测一个面积为1500平方英尺的房屋价格
+new_house_area = np.array([[1500]])
+predicted_price = slope * new_house_area + intercept
+print(f"预测的房屋价格（面积为1500平方英尺）: ${predicted_price[0][0]:.2f}")
\ No newline at end of file
-- 
Gitee