引言
在机器学习中,代价函数(Cost Function)是一个用于衡量模型预测值与实际值之间差异的函数。在监督学习中,代价函数是评估模型性能的关键工具,它可以帮助我们了解模型在训练数据上的表现,并通过优化过程来改善模型
文章目录
- 引言
- [二、实现用Jupyter Notebook并探索单变量线性回归的代价函数](#二、实现用Jupyter Notebook并探索单变量线性回归的代价函数)
-
- [2.1 工具](#2.1 工具)
- [2.2 问题陈述](#2.2 问题陈述)
- [2.3 计算成本](#2.3 计算成本)
- [2.4 代价函数直观](#2.4 代价函数直观)
- [2.5 代价函数可视化 - 3D](#2.5 代价函数可视化 - 3D)
- [2.6 更大的数据集](#2.6 更大的数据集)
- [2.7 凸成本表面](#2.7 凸成本表面)
- [2.8 总结](#2.8 总结)
- 三、遇到的问题
-
- [3.1 没有`ipympl`第三方库](#3.1 没有
ipympl
第三方库) -
- [3.1.1 问题](#3.1.1 问题)
- [3.1.2 解决方法](#3.1.2 解决方法)
- [3.2 运行matplotlib代码没有显示图片](#3.2 运行matplotlib代码没有显示图片)
-
- [3.2.1 问题](#3.2.1 问题)
- [3.2.2 解决方法](#3.2.2 解决方法)
- [3.1 没有`ipympl`第三方库](#3.1 没有
二、实现用Jupyter Notebook并探索单变量线性回归的代价函数
2.1 工具
在这个实验室中使用:
- NumPy,一个流行的科学计算库
- Matplotlib,一个流行的数据绘图库
- 本地目录中的 lab_utils_uni.py 文件中的本地绘图例程
python
import numpy as np
%matplotlib widget
import matplotlib.pyplot as plt
from lab_utils_uni import plt_intuition, plt_stationary, plt_update_onclick, soup_bowl
plt.style.use('./deeplearning.mplstyle')
2.2 问题陈述
希望有一个模型,可以根据房屋的大小预测房价。
使用的两个数据点:一个1000平方英尺的房子以30万美元的价格售出,一个2000平方英尺的房子以50万美元的价格售出。
尺寸 (1000 sqft) | 价格 (10万美元) |
---|---|
1.0 | 300 |
2.0 | 500 |
- x_train = np.array([1.0, 2.0]) # (尺寸,以1000平方英尺为单位)
- y_train = np.array([300.0, 500.0]) # (价格,以1000美元为单位)
2.3 计算成本
在这里,成本是衡量模型在预测房屋目标价格方面表现如何的度量,对于房屋数据,"价格"一词被使用
单变量成本方程是:
其中 𝑓𝑤,𝑏(𝑥(𝑖))=𝑤𝑥(𝑖)+𝑏(2)
- 𝑓𝑤,𝑏(𝑥(𝑖))是使用参数 𝑤,𝑏 对示例 𝑖 的预测
- (𝑓𝑤,𝑏(𝑥(𝑖))−𝑦(𝑖))2是目标值和预测值之间的平方差
- 这些差异被加总,然后除以
2m
来产生成本 𝐽(𝑤,𝑏)
注意,求和范围通常是从1到m,而代码将从0到m-1
下面的代码通过遍历每个示例来计算成本。在每个循环中: f w b f_wb fwb,一个预测被计算
目标值和预测值之间的差异被计算并平方,这被加到总成本中
python
def compute_cost(x, y, w, b):
"""
计算线性回归的代价函数。
参数:
x (ndarray (m,)): 数据,m个示例
y (ndarray (m,)): 目标值
w,b (标量) : 模型参数
返回:
total_cost (float): 使用w,b作为线性回归参数来拟合x和y中的数据点的成本
to fit the data points in x and y
"""
# 训练示例的数量
m = x.shape[0]
cost_sum = 0
for i in range(m):
f_wb = w * x[i] + b
cost = (f_wb - y[i]) ** 2
cost_sum = cost_sum + cost
total_cost = (1 / (2 * m)) * cost_sum
return total_cost
2.4 代价函数直观
目标是找到一个模型 𝑓𝑤,𝑏(𝑥)=𝑤𝑥+𝑏,其中参数 𝑤,𝑏 可以准确预测房屋的价值。代价是衡量模型在训练数据上的准确性的度量。
上述的成本方程显示,如果 𝑤 和 𝑏 可以选择,使得预测 𝑓𝑤,𝑏(𝑥)与目标数据 y y y 匹配,那么 ( f w , b ( x ( i ) ) − y ( i ) ) 2 (f_{w,b}(x^{(i)}) - y^{(i)})^2 (fw,b(x(i))−y(i))2 项将变为零,成本最小化
在之前的实验室中,你确定 b = 100 b = 100 b=100 提供了最优解,所以让我们将 b b b 设置为 100,并专注于 w w w
下面,使用滑块控制来选择最小化成本的 $ w $ 值。更新图形可能需要几秒钟,如下图所示:
python
plt_intuition(x_train, y_train)
该图包含几个值得注意的点
- 成本在 $ w = 200 $ 时最小化,这与之前的结果相匹配
- 由于成本方程中目标值和预测值之间的差异被平方,当 $ w $ 太大或太小时,成本会迅速增加
- 使用通过最小化成本选择的 $ w $ 和 $ b $ 值,可以得到一条完美符合数据的直线
2.5 代价函数可视化 - 3D
可以通过在 3D 中绘制或在使用等高线图来查看成本如何随着 w w w 和 b b b 的变化而变化
2.6 更大的数据集
查看包含更多数据点的场景是有益的。这个数据集包括不在同一直线上的数据点。这对成本方程意味着什么?我们能找到 $ w $ 和 $ b $,使成本为 0?
python
x_train = np.array([1.0, 1.7, 2.0, 2.5, 3.0, 3.2])
y_train = np.array([250, 300, 480, 430, 630, 730,])
在等高线图中,点击一个点来选择 w w w 和 b b b 以达到最低成本。使用等高线来指导你的选择。注意,更新图形可能需要几秒钟。
python
plt.close('all')
fig, ax, dyn_items = plt_stationary(x_train, y_train)
updater = plt_update_onclick(fig, ax, x_train, y_train, dyn_items)
在上方,请注意左侧图中的虚线。这些代表了训练集中每个示例对成本的贡献。在这种情况下,大约 w = 209 w = 209 w=209 和 b = 2.4 b = 2.4 b=2.4 提供低成本。请注意,由于我们的训练示例不在同一直线上,最低成本不为零
2.7 凸成本表面
成本函数将损失平方的事实确保了"误差表面"像汤碗一样是凸的。它总是通过在所有维度上跟随梯度来达到最小值。在之前的图中,由于 $ w $ 和 $ b $ 的维度不同,这不容易识别。在展示的下一个图中, w w w 和 b b b 是对称的:
python
soup_bowl()
2.8 总结
- 成本方程提供了衡量你的预测与训练数据匹配程度的度量
- 最小化成本可以提供 w w w 和 b b b 的最优值
三、遇到的问题
3.1 没有ipympl
第三方库
3.1.1 问题
报错:
ModuleNotFoundError: No module named 'ipympl'
3.1.2 解决方法
添加一个单元格,安装对应算法包,因为我是conda启动,所以用conda的安装命令,安装完即可
3.2 运行matplotlib代码没有显示图片
3.2.1 问题
报错:
[Open Browser Console for more detailed log - Double click to close this message]
Failed to load model class 'MPLCanvasModel' from module 'jupyter-matplotlib'
Error: Script error for "jupyter-matplotlib"
http://requirejs.org/docs/errors.html#scripterror
at HTMLScriptElement.onScriptError (http://localhost:8888/static/components/requirejs/require.js?v=d37b48bb2137faa0ab98157e240c084dd5b1b5e74911723aa1d1f04c928c2a03dedf922d049e4815f7e5a369faa2e6b6a1000aae958b7953b5cc60411154f593:1735:36)
3.2.2 解决方法
清空浏览器缓存,关闭Jupyter Notebook,并重新打开即可