人工智能实验报告1

​

姓名:熊俊松________________________ 班级:2220422__________________________________ 学号:20222024234_______________________

实验题目:___________________________ **回归 **___________________________________

实验目的：

	掌握回归算法的编程实现细节，要求不能使用任何库，纯手动编程实现多元线性回归。加深 对梯度计算、梯度下降算法、目标函数的求极值的理解，领会初值选取、学习率选择、公差 选择等对回归的影响。 

问题描述与步骤：

1.1 搭建开发环境：

1. 实验是想要用linux来实现这个程序，实验是要求用Xubuntu Linux系统来实现，但是由于我用的别的linux虚拟机来实现(VMware Workstation Pro)和下了一个终端软件来连接创建的虚拟机(FinalShell)。下面我会详细来怎么配置这个两个系统的开发环境配置：

   Xubuntu Linux系统：​

   1. 下载python解释器

   sudo apt install python3-pip  # Debian/Ubuntu 系统
   

   2. 分别下载numpy，scipy，matploblib，sklearn，pytorch模块

   pip3 install numpy
   pip3 install matplotlib
   pip3 install scipy
   pip3 install scikit-learn
   
   pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu
   
   

   3. 下载linux版的Vscode软件(可下可不下，只是一个编辑软件)

   4. 安装必要的依赖（以 Debian/Ubuntu 为例）：

      sudo apt install software-properties-common apt-transport-https curl
      

   5. 添加 Microsoft GPG 密钥：

      curl -sSL https://packages.microsoft.com/keys/microsoft.asc | sudo apt-key add -
      

   6. 添加 VS Code 软件源：

      sudo add-apt-repository "deb [arch=amd64] https://packages.microsoft.com/repos/vscode stable main"
      

   7. 更新软件包列表并安装 VS Code：

      sudo apt update
      sudo apt install code
      

   VMware Workstation Pro系统

   1. 下载python解释器

   sudo yum install python3-pip  # CentOS/Fedora 系统
   

   2. 分别下载numpy，scipy，matploblib，sklearn，pytorch模块(和上面一样)

   pip3 install numpy
   pip3 install matplotlib
   pip3 install scipy
   pip3 install scikit-learn
   
   pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu
   

   3. 下载linux版的Vscode软件(可下可不下，只是一个编辑软件)

      1. 安装必要的依赖：

         sudo yum install -y gcc-c++ make
         

      2. 添加 Microsoft GPG 密钥：

         sudo rpm --import https://packages.microsoft.com/keys/microsoft.asc
         

      3. 添加 VS Code 软件源：

         sudo sh -c 'echo -e "[code]\nname=Visual Studio Code\nbaseurl=https://packages.microsoft.com/yumrepos/vscode\nenabled=1\ngpgcheck=1\ngpgkey=https://packages.microsoft.com/keys/microsoft.asc" > /etc/yum.repos.d/vscode.repo'
         

      4. 更新软件包列表并安装 VS Code：

         sudo yum check-update
         sudo yum install code
         

1.2 下载数据

​ 由于这个回归实验的程序需要一个表格数据(这里用csv文件),老师在客群里面发了，大家把这个文件最好放在程序的相同目录下面，当然也可以不放在相同的目录下，但是程序里面的文件路径需要修改一下。

例下：

​

提示：当然这个Windows系统的

• 下面我写一下Linux系统的怎么弄呢？

1. 首先打开虚拟机

2. 打开FinalShell来连接这个创建的虚拟机

3. 进入Desktop(桌面)创建一个文件夹：人工智能实验1

​

3. 进入人工智能文件夹里面，并且创建：人工智能实验1.py文件

   

4. 将老师的文件移到人工智能实验1这个文件夹里面

​ 提示：移动进去了，可以看出来

5. 进入到人工智能实验1.py里面将下面的程序代码写进去

6. 执行代码

7. 打开这个png图像文件，由于linux没有可视化工具，我们将其移到windows里面观看

实验方法(程序):

windows(用这个):

import math
import numpy as np
from numpy import genfromtxt
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

# 导入数据
data = genfromtxt("Delivery.csv", delimiter=",")
x_data = data[1:, :2]  # 选择前两列作为特征
y_data = data[1:, 2]    # 选择第三列作为目标变量

# 检查特征数量
num_features = x_data.shape[1]

# 初始化参数
weights = np.zeros(num_features + 1)  # +1 for w0
alpha = 0.005
epsilon = 1e-4
error = float('inf')  # 初始化为无穷大

m = len(x_data)

while error > epsilon:
    prediction = np.dot(x_data, weights[1:]) + weights[0]  # 计算预测

    error_i = prediction - y_data
    grad_w = np.dot(x_data.T, error_i) / m  # 计算梯度
    weights[1:] -= alpha * grad_w
    weights[0] -= alpha * np.mean(error_i)  # 更新 w0

    # 计算误差
    error = np.linalg.norm(grad_w)  # 计算误差
    print(weights, error)

# 绘制三维图
ax = plt.figure().add_subplot(111, projection='3d')
ax.scatter(x_data[:, 0], x_data[:, 1], y_data, c='r', marker='o', s=100)

x0 = np.unique(x_data[:, 0])
x1 = np.unique(x_data[:, 1])
X0, X1 = np.meshgrid(x0, x1)  # 使用唯一值生成网格
Z = weights[0] + weights[1] * X0 + weights[2] * X1

ax.plot_surface(X0, X1, Z, alpha=0.5)
ax.set_xlabel('Miles')  # 根据需要修改标签
ax.set_ylabel('Number of Deliveries')  # 根据需要修改标签
ax.set_zlabel('Time')  # 根据需要修改标签
plt.show()

Linux用这个：

import numpy as np
from numpy import genfromtxt
import matplotlib
matplotlib.use('Agg')  # 使用 Agg 后端
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

# 导入数据
data = genfromtxt("Delivery.csv", delimiter=",")
x_data = data[1:, :2]  # 特征
y_data = data[1:, 2]    # 目标

# 初始化参数
num_features = x_data.shape[1]
weights = np.random.randn(num_features + 1) * 0.01  # 小随机值初始化
alpha = 0.001  # 学习率
epsilon = 1e-4
error = float('inf')

m = len(x_data)

while error > epsilon:
    prediction = np.dot(x_data, weights[1:]) + weights[0]
    error_i = prediction - y_data
    grad_w = np.dot(x_data.T, error_i) / m

    # 检查梯度
    if np.any(np.isnan(grad_w)) or np.any(np.isinf(grad_w)):
        print("Gradient contains NaN or Inf, stopping updates.")
        break

    weights[1:] -= alpha * grad_w
    weights[0] -= alpha * np.mean(error_i)

    error = np.linalg.norm(grad_w)
    print(weights, error)

# 可视化并保存图像
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.scatter(x_data[:, 0], x_data[:, 1], y_data, c='r', marker='o', s=100)

x0 = np.unique(x_data[:, 0])
x1 = np.unique(x_data[:, 1])
X0, X1 = np.meshgrid(x0, x1)
Z = weights[0] + weights[1] * X0 + weights[2] * X1

ax.plot_surface(X0, X1, Z, alpha=0.5)
ax.set_xlabel('Miles')
ax.set_ylabel('Number of Deliveries')
ax.set_zlabel('Time')

# 保存图像
plt.savefig('output.png')

实验（编程调试）过程与结果分析

Linux产生的图像：

Windows产生的图像：

实验结论与心得：

从实验可知，这个实验是基于python编程语言去完成**多元线性回归 **的实现，所以这个实验让我们可以对python的编程语法以及思想和他的第三方模块的使用有了一定的了解，例如实验用到的numpy，matblotlib模块。

​ 不仅如此，他还不只是可以用Windows系统的完成，还可以用Linux操作系统完成，这个实验呢对很多的人来说应该是比较难的，因为实验要求是用Linux(VMWARE系统或者XUbuntu系统)完成。

​ 但是我觉的这个实验程序对于那些没有Linux系统基础的同学来说，Windows应该更加友好，所以我觉得大家还是用Windows操作系统的Vscode来实现这个程序实验吧，因为这个程序在那个操作系统上都可以实现(Windows或Linux)，对于那些想要用Linux系统来实现的同学来说，它们应该会得到更多的知识，例如对Linux系统的认识，以及对Linux的指令的使用的了解。

​ 但是我觉得那些不想学习深入或者学习Linux而是为了完成实验的同学来说呢，我觉得还是没必要去下那个乌班图(Xubuntu)虚拟机，不管咋样，我看了一下安装包，大概有个4~5个G,这个实验我也是收获满满，教同学完成实验，我也是更加深刻的记住了一些配置知识。