模型线性回归不能很好地适应训练集

Question

我看不到线穿过我在图上的点 使用带有 python 3.7 和 numpy 的 conda 环境，

1. 我的训练集有 30 行 和两列定量变量 我想根据她多年的经验来预测员工的薪水，

但是误差很大

数据集：

错误：

图片

#representar puntos
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd 




#dataset.descripve()

data=pd.read_csv('Salary_Data.csv')

Xs=data[['YearsExperience']]
X=np.array(Xs)
y_ds=data['Salary'].values 


data.describe()




def h(x,w):
    return w[0]+w[1]*x

w=np.random.rand(2)#esta podria ser la causa de que no converga
#w[0]=3
#w[1]=5
 
 
y_prediccion=[h(i,w) for i in X]
 
#otra forma
#error 
def error(x,y,w):
    suma=0
    for i in range(len(y)):
      suma=suma+(y[i]-h(x[i],w))**2
    return suma/(2*len(y))

print("error mse"+str( error(y_ds,X,w)))
 


plt.plot(X,y_ds,'*')#nube de puntos
plt.plot(X,y_prediccion)#prediccion
plt.show()


    
#derivadas

def grad(x,y,w):
    sum1=0
    sum2=0
    
    for i in range (len(y)):

      sum1 = sum1 + (y[i]-h(x[i],w))*(-1)
      sum2 = sum2 + (y[i]-h(x[i],w))*(-x[i])
     

      gra_w0=(sum1)
      gra_w1=(sum2)
   
      
    return gra_w0/len(y),gra_w1/len(y)
  
 
 
 
#creamos un algoritmo de aprendisaje



def train(X,y_ds,w,epochs,alpha):
    list_error=[] 
    time=[]
    
    for i in range(epochs):
      err=error(y_ds,X,w)# (calculo de error
      list_error.append(err)
      time.append(i)
      print(err)#imprimr para ver si esta disminuyendo en el tiempo
      grad_w0,grad_w1=grad(X,y_ds,w)
      #grad_w1=grad(y_ds,x_ds,w) #linea ala que se debia de modificar para solucionar el error(can't multiply sequence by non-int of type 'float')  ,no es lomismo que ponerlo todo en una sola linea mirar arriba
    
      w[0]=w[0]-alpha*grad_w0
      w[1]=w[1]-alpha*grad_w1
 
   #calculo grafica error error
    #plt.xlabel("time")
    #plt.ylabel("error") 
    #plt.plot(time,list_error,"*")
   #calculo de la recta real
    y_r=[h(i,w)for i in X]
    plt.plot(X,y_ds,'*')
    plt.plot(X,y_r)

    plt.show()


train(X,y_ds,w,50,0.001)#auno pongo ma epocas apartir de 5o me sale over flow ,probe cambiando posicion x ,y_s mejoro->(x ,y)en gradiete


print('-------------------------')