用UCI的鲍鱼数据集用梯度下降法进行线性回归拟合并计算均方误差的python代码

在Python中，我们可以使用sklearn库来进行线性回归和UCI的数据集处理，包括鲍鱼数据集（Sea扇贝数据）。以下是使用梯度下降法（而非sklearn自带的最小二乘法）进行线性回归并计算均方误差的一个简单示例：

首先，你需要安装必要的库：

pip install numpy pandas sklearn

然后，使用以下代码：

import numpy as np
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split

# 加载波士顿房价数据集
boston = load_boston()
X = boston.data
y = boston.target

# 将数据分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 定义学习率和迭代次数
learning_rate = 0.01
epochs = 1000

# 初始化权重和偏置
weights = np.zeros(X_train.shape[1])
bias = 0

# 梯度下降算法
for _ in range(epochs):
    y_pred = np.dot(X_train, weights) + bias
    errors = y_pred - y_train
    gradient_weights = (1 / len(y_train)) * np.dot(X_train.T, errors)
    gradient_bias = (1 / len(y_train)) * np.sum(errors)
    
    # 更新权重和偏置
    weights -= learning_rate * gradient_weights
    bias -= learning_rate * gradient_bias

# 对测试集做预测
y_pred_test = np.dot(X_test, weights) + bias

# 计算均方误差
mse = np.mean((y_test - y_pred_test)**2)
print(f"均方误差(MSE): {mse}")

#