print 'Theta computed by gradient descent: ', linear_reg3.theta ######################################################################## # ======= Part 3: Predict on unseen data with model ======= ===========# ######################################################################## ######################################################################## # TODO: # # Predict values for the average home # # remember to multiply prediction by 10000 using linear_reg3 # # One line of code expected; replace pred_cost = 0 line # ######################################################################## <<<<<<< HEAD pred_cost = linear_reg3.predict(np.hstack([np.array([1]),np.zeros(X.shape[1])]))*10000 ======= pred_cost = 0 >>>>>>> 89dd6a53aa0ff700b713b57c5d8d001424557b1d print 'For average home in Boston suburbs, we predict a median home value of', pred_cost ######################################################################## # ============= Part 4: Solving with normal equations =================# ######################################################################## X = df.values y = bdata.target XX1 = np.vstack([np.ones((X.shape[0],)),X.T]).T linear_reg4 = LinearReg_SquaredLoss()
print 'Theta computed by gradient descent: ', linear_reg3.theta ######################################################################## # ======= Part 3: Predict on unseen data with model ======= ===========# ######################################################################## ######################################################################## # TODO: # # Predict values for the average home # # remember to multiply prediction by 10000 using linear_reg3 # # One line of code expected; replace pred_cost = 0 line # ######################################################################## # pred_cost = (linear_reg3.predict(XX).sum()/int(X.shape[0]) * sigma - mu) * 10000 pred_cost = linear_reg3.predict(XX.mean(axis=0)) * 10000 # pred_cost = 0 print 'For average home in Boston suburbs, we predict a median home value of', pred_cost ######################################################################## # ============= Part 4: Solving with normal equations =================# ######################################################################## X = df.values y = bdata.target XX1 = np.vstack([np.ones((X.shape[0],)),X.T]).T linear_reg4 = LinearReg_SquaredLoss()
