夯基数学:PyTorch 线性回归实践

线性回归是我们中学课本中学的最基础的概念之一,用于建立变量之间线性关系的统计方法;

在简单线性回归中,会建立一个因变量与一个自变量之间的线性关系模型。

我们可以用 PyTorch 来实现一些简单的线性回归实践。

房价预测

数据准备

首先准备一些数据来训练型:使用一个简单的示例数据集,其中包含了房屋面积和对应的房价。

ini 复制代码
import numpy as np

# 生成示例数据
np.random.seed(42)
X = 2 * np.random.rand(100, 1)
y = 4 + 3 * X + np.random.randn(100, 1)

数据可视化

再来可视化一下数据,可以更直观展示关系:

dart 复制代码
import matplotlib.pyplot as plt

plt.scatter(X, y)
plt.xlabel('House Size')
plt.ylabel('Price')
plt.title('House Price vs. Size')
plt.show()

PyTorch构建模型

使用 PyTorch 来构建线性回归模型。

ini 复制代码
import torch
import torch.nn as nn

# 将数据转换为PyTorch张量
X_tensor = torch.from_numpy(X).float()
y_tensor = torch.from_numpy(y).float()

# 定义线性回归模型
class LinearRegression(nn.Module):
    def __init__(self, input_dim, output_dim):
        super(LinearRegression, self).__init__()
        self.linear = nn.Linear(input_dim, output_dim)

    def forward(self, x):
        return self.linear(x)

# 初始化模型
input_dim = 1
output_dim = 1
model = LinearRegression(input_dim, output_dim)

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

模型训练

然后用数据来训练模型

ini 复制代码
# 定义训练参数
num_epochs = 100

# 训练模型
for epoch in range(num_epochs):
    # 向前传播
    outputs = model(X_tensor)
    loss = criterion(outputs, y_tensor)
    
    # 反向传播和优化
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    
    if (epoch+1) % 10 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))

可视化结果

scss 复制代码
# 可视化训练结果
predicted = model(X_tensor).detach().numpy()
plt.scatter(X, y, label='Original data')
plt.plot(X, predicted, label='Fitted line', color='red')
plt.xlabel('House Size')
plt.ylabel('Price')
plt.title('House Price vs. Size (Prediction)')
plt.legend()
plt.show()

预测测试

最后,我们就可以用训练好的模型来进行预测了:预测新数据:

lua 复制代码
# 预测新数据
new_house_size = 5
predicted_price = model(torch.tensor([[new_house_size]]).float()).item()
print("Predicted price for a house with size {}: ${:.2f}".format(new_house_size, predicted_price))

运行

上 Pycharm:(咸鱼有1元购破解码)

~散点图展示了原始数据~

~拟合线图新增拟合线~

OK,上述代码用PyTorch实现的简单线性回归模型,用于预测房屋价格:

根据一组房屋尺寸和对应价格的数据,然后用散点图展示了数据分布。接着构建了一个线性回归模型,并用训练数据对其进行训练,最小化预测值与真实值的误差。

训练完毕后,将模型预测的房价与原始数据一起绘制在图上,直观地观察模型的拟合效果。

最终用训练好的模型对新的房屋尺寸进行预测,得到其对应的价格;

小结

PyTorch 学习中会有很多如线性回归这样的数学算法图,可以很直观的展示训练结果;数学不愧是科学之王冠。


全面拥抱深度学习~~

文末自荐一下我和机械工业出版社联合出版的 《程序员成长手记》 一书:全书分为3大模块、8个章节:从入门程序员到程序员自驱成长,回归纸质阅读,相信能给你一个更全局的程序员视野,提供成长帮助。京东搜"程序员成长手记":item.jd.com/14356664.ht...*

OK,以上便是本次分享,希望各位喜欢~ 欢迎点赞、收藏、评论 🤟 我是安东尼 🤠 人气技术博主 💥 坚持千日更文 ✍ 关注我,安东尼陪你一起度过漫长编程岁月

相关推荐
艾派森5 分钟前
大数据分析案例-基于随机森林算法的智能手机价格预测模型
人工智能·python·随机森林·机器学习·数据挖掘
hairenjing11237 分钟前
在 Android 手机上从SD 卡恢复数据的 6 个有效应用程序
android·人工智能·windows·macos·智能手机
真忒修斯之船7 分钟前
大模型分布式训练并行技术(三)流水线并行
面试·llm·aigc
小蜗子11 分钟前
Multi‐modal knowledge graph inference via media convergenceand logic rule
人工智能·知识图谱
SpikeKing24 分钟前
LLM - 使用 LLaMA-Factory 微调大模型 环境配置与训练推理 教程 (1)
人工智能·llm·大语言模型·llama·环境配置·llamafactory·训练框架
黄焖鸡能干四碗1 小时前
信息化运维方案,实施方案,开发方案,信息中心安全运维资料(软件资料word)
大数据·人工智能·软件需求·设计规范·规格说明书
1 小时前
开源竞争-数据驱动成长-11/05-大专生的思考
人工智能·笔记·学习·算法·机器学习
ctrey_1 小时前
2024-11-4 学习人工智能的Day21 openCV(3)
人工智能·opencv·学习
攻城狮_Dream1 小时前
“探索未来医疗:生成式人工智能在医疗领域的革命性应用“
人工智能·设计·医疗·毕业
学习前端的小z2 小时前
【AIGC】如何通过ChatGPT轻松制作个性化GPTs应用
人工智能·chatgpt·aigc