【最优化方法】最速下降法

给出点

复制代码
x = [1,4,5,8,12]
y = [7,9,15,14,27]

要找出温度和冰淇淋销量之间的关系,通过线性回归来拟合求出属性和结果之间的线性关系。

如果直接把这些点连起来,是吃力不讨好的,因为如果有新数据进来大概率不在这条线上,这个行为也叫做过拟合。

对于这种明显有相关关系的数据,直接用一条直线去拟合这些数据,一次函数y=kx+b,k、b确定了直线也就确定了。找最合适的直线的过程就叫线性回归。

评判标准

找出每个真实数据点到直线的距离。

列个表看看:

定义损失函数 f(k,b)=z

python 复制代码
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

x = np.array([1, 4, 5, 8, 12])
y_true = np.array([7, 9, 15, 14, 27])

def model(x, k, b):
    return k * x + b
def mse_loss(y_true, y_pred):
    return np.mean((y_true - y_pred) ** 2)

# 生成参数 k 和 b 的取值范围
k_values = np.linspace(0, 3, 100)  
b_values = np.linspace(-5, 5, 100) 

# 创建网格
K, B = np.meshgrid(k_values, b_values)

# 计算每个 (k, b) 组合下的损失值
Z = np.zeros_like(K)
for i in range(len(k_values)):
    for j in range(len(b_values)):
        y_pred = model(x, K[i, j], B[i, j])
        Z[i, j] = mse_loss(y_true, y_pred)

# 绘制三维损失函数曲面图
fig = plt.figure(figsize=(10, 7))
ax = fig.add_subplot(111, projection='3d')

ax.plot_surface(K, B, Z, cmap='viridis')

ax.set_xlabel('Slope (k)')
ax.set_ylabel('Intercept (b)')
ax.set_zlabel('MSE Loss')
ax.set_title('3D Loss Function Surface')

plt.show()

问题就转化成了找到图像的谷底。

对于一次函数:

高等数学下中对于梯度的介绍:

相关推荐
看月亮的方源20 分钟前
区级技能竞赛-人工智能训练师笔记
人工智能
AKAMAI1 小时前
为何说分布式 AI 推理已成为下一代计算方式
人工智能·云原生·云计算
大连好光景1 小时前
L1正则化 VS L2正则化
人工智能·深度学习·机器学习
国家不保护废物1 小时前
深度学习
人工智能·深度学习·机器学习
LSQ的测试日记1 小时前
深度学习_全连接神经网络
人工智能·深度学习·神经网络
亚马逊云开发者1 小时前
Amazon Q in QuickSight 实战:利用自然语言快速生成数据报表与洞察
人工智能
张较瘦_1 小时前
[论文阅读] 人工智能 + 软件工程 | 用大语言模型+排名机制,让代码评论自动更新更靠谱
论文阅读·人工智能·软件工程
前端双越老师1 小时前
使用 langChain.js 实现 RAG 知识库语义搜索
人工智能·langchain·node.js
用户315183718171 小时前
AI Agent 开发新范式 MCP 从入门到多场景全链路实战 | 高清同步
人工智能
今天炼丹了吗2 小时前
RTDETR融合[WACV 2025]SEM-Net中的模块
python·深度学习·机器学习