python实现机器学习之元线性回归

时间:2022-08-29 22:01:03

一、理论知识准备

1.确定假设函数

如:y=2x+7
其中,(x,y)是一组数据,设共有m个

2.误差cost

用平方误差代价函数

python实现机器学习之元线性回归

3.减小误差(用梯度下降)

python实现机器学习之元线性回归
python实现机器学习之元线性回归

二、程序实现步骤

1.初始化数据

x、y:样本
learning rate:学习率
循环次数loopnum:梯度下降次数

2.梯度下降

循环(循环loopnum次):
(1)算偏导(需要一个for循环遍历所有数据)
(2)利用梯度下降数学式子

三、程序代码

python" id="highlighter_943512">
?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
import numpy as np
 
def linearregression(data_x,data_y,learningrate,loopnum):
  w,b=0,0
 
  #梯度下降
  for i in range(loopnum):
    w_derivative, b_derivative, cost = 0, 0, 0
    for j in range(len(data_x)):
      wxplusb=w*data_x[j]+b
      w_derivative+=(wxplusb-data_y[j])*data_x[j]
      b_derivative+=wxplusb-data_y[j]
      cost+=(wxplusb-data_y[j])*(wxplusb-data_y[j])
    w_derivative=w_derivative/len(data_x)
    b_derivative=b_derivative/len(data_x)
 
    w = w - learningrate*w_derivative
    b = b - learningrate*b_derivative
 
    cost = cost/(2*len(data_x))
    if i%100==0:
      print(cost)
  print(w)
  print(b)
 
if __name__== "__main__": #_x:protected __x:private
  x=np.random.normal(0,10,100)
  noise=np.random.normal(0,0.05,100)
  y=2*x+7+noise
  linearregression(x,y,0.01,5000)

四、输出

1.输出cost

python实现机器学习之元线性回归

可以看到,一开始的误差是很大的,然后减小了

python实现机器学习之元线性回归

最后几次输出的cost没有变化,可以将训练的次数减小一点

2.训练完的w和b

python实现机器学习之元线性回归

和目标w=2,b=7很接近

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持服务器之家。

原文链接:https://blog.csdn.net/zhangergou0628/article/details/80436491