[机器学习]简单线性回归——梯度下降法

一.梯度下降法概念

2.代码实现

python 复制代码
# 0. 引入依赖
import numpy as np
import matplotlib.pyplot as plt

# 1. 导入数据(data.csv)
points = np.genfromtxt('data.csv', delimiter=',')
points[0,0]

# 提取points中的两列数据,分别作为x,y
x = points[:, 0]
y = points[:, 1]

# 用plt画出散点图
# plt.scatter(x, y)
# plt.show()

# 2. 定义损失函数:最小平方损失函数
# 损失函数是系数的函数,另外还要传入数据的x,y
def compute_cost(w, b, points):
    total_cost = 0
    M = len(points)

    # 逐点计算平方损失误差,然后求平均数
    for i in range(M):
        x = points[i, 0]
        y = points[i, 1]
        total_cost += (y - w * x - b) ** 2

    return total_cost / M

# 3. 定义模型的超参数
alpha = 0.0001 # 根据实际去调节
initial_w = 0 # 初始w,可以随机生成
initial_b = 0 # 初始b,可以随机生成
num_iter = 10 # 迭代次数

# 4. 定义核心梯度下降算法函数
def grad_desc(points, initial_w, initial_b, alpha, num_iter):
    w = initial_w
    b = initial_b
    # 定义一个list保存所有的损失函数值,用来显示下降的过程
    cost_list = []

    # 迭代,获取每次的损失函数值以及更行w、b
    for i in range(num_iter):
        cost_list.append(compute_cost(w, b, points))
        w, b = step_grad_desc(w, b, alpha, points)

    return [w, b, cost_list]


def step_grad_desc(current_w, current_b, alpha, points):
    sum_grad_w = 0
    sum_grad_b = 0
    M = len(points)

    # 对每个点,代入公式求和
    for i in range(M):
        x = points[i, 0]
        y = points[i, 1]
        sum_grad_w += (current_w * x + current_b - y) * x
        sum_grad_b += current_w * x + current_b - y

    # 用公式求当前梯度
    grad_w = 2 / M * sum_grad_w
    grad_b = 2 / M * sum_grad_b

    # 梯度下降,更新当前的w和b
    updated_w = current_w - alpha * grad_w
    updated_b = current_b - alpha * grad_b

    return updated_w, updated_b

# 5. 测试:运行梯度下降算法计算最优的w和b
w, b, cost_list = grad_desc( points, initial_w, initial_b, alpha, num_iter )

print("w is: ", w)
print("b is: ", b)

cost = compute_cost(w, b, points)

print("cost is: ", cost)

# plt.plot(cost_list)
# plt.show() # 画图

# 6. 画出拟合曲线
plt.scatter(x, y)
# 针对每一个x,计算出预测的y值
pred_y = w * x + b

plt.plot(x, pred_y, c='r')
plt.show()

w is: 1.4774173755483797

b is: 0.02963934787473238

cost is: 112.65585181499748

3.代码及数据下载

简单线性回归-最小二乘法及梯度下降法资源-CSDN文库

相关推荐
星期天要睡觉1 分钟前
机器学习——逻辑回归(LogisticRegression)实战案例:信用卡欺诈检测数据集
人工智能·机器学习·逻辑回归
深度学习机器14 分钟前
Gemini CLI源码解析:深入工具系统的实现细节
人工智能·llm·agent
格林威15 分钟前
Baumer工业相机堡盟工业相机如何通过YoloV8深度学习模型实现路口车辆速度的追踪识别(C#代码UI界面版)
人工智能·深度学习·数码相机·yolo·计算机视觉·c#·视觉检测
赵英英俊20 分钟前
Python day34
人工智能·python·深度学习
qq_4112624226 分钟前
主要 bug/问题 以及 修改建议:
前端·人工智能·bug·四博智联·doit
背包客研究36 分钟前
使用 Scikit-LLM 进行零样本和少样本分类
人工智能·分类·数据挖掘
2501_924748241 小时前
高密度客流识别精度↑32%!陌讯多模态融合算法在智慧交通的实战解析
大数据·人工智能·算法·目标检测·计算机视觉
WeiJingYu.1 小时前
逻辑回归的应用
算法·机器学习·逻辑回归
机器之心1 小时前
全球首个集成云端Agent团队的IDE登场,项目级开发「全程全自动」
人工智能·openai
lishaoan771 小时前
实现RNN(一): SimpleRNN
人工智能·rnn·深度学习