一、理論知識準備
1.確定假設函數
如：y=2x+7
其中，（x，y）是一組數據，設共有m個
2.誤差cost
用平方誤差代價函數
3.減小誤差（用梯度下降）
二、程序實現步驟
1.初始化數據
x、y：樣本
learning rate：學習率
循環次數loopNum：梯度下降次數
2.梯度下降
循環（循環loopNum次）：
（1）算偏導（需要一個for循環遍歷所有數據）
（2）利用梯度下降數學式子
三、程序代碼
import numpy as npdef 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、輸出
1.輸出cost
可以看到，一開始的誤差是很大的，然后減小了
最后幾次輸出的cost沒有變化，可以將訓練的次數減小一點
2.訓練完的w和b
和目標w=2，b=7很接近
以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持VEVB武林網。
新聞熱點
疑難解答
