Exercise: Linear Regression

转载 2016年05月31日 15:13:58

Exercise: Linear Regression

题目地址: http://openclassroom.stanford.edu/MainFolder/DocumentPage.php?course=DeepLearning&doc=exercises/ex2/ex2.html

题目给出的数据是一组2-8岁男童的身高。x是年龄,y是身高。样本数m=50.

使用gradient descent来做线性回归。

step1:数据准备。

加载数据:

>> x=load('ex2x.dat');

>> y=load('ex2y.dat');

可视化数据:

figure % open a new figure window
plot(x, y, 'o');
ylabel('Height in meters')
xlabel('Age in years')

效果如下:

我们将模型设定为:

Hθ(x) = θ0 + θ1x

因此,还需要在数据集x的坐标统一加上1,相当于x0=1

m = length(y); % store the number of training examples
x = [ones(m, 1), x]; % Add a column of ones to x

增加了这一列以后,要特别注意,现在年龄这一变量已经移动到了第二列上。

step2:线性回归

先来回忆一下我们的计算模型:

批量梯度下降(注意不是online梯度下降)的规则是:

题目要求:

1、使用步长为0.07的学习率来进行梯度下降。权重向量θ={θ01}初始化为0。计算一次迭代后的权重向量θ的值。

首先初始化权重向量theta

>> theta=zeros(1,2)
theta =     0     0

计算迭代一次时的权重向量:

delta=(x*theta')-y;
sum=delta'*x;
delta_theta=sum*0.07/m;
theta1=theta - delta_theta;

求得的theta1的结果为:

theta1 =    0.0745    0.3800

 

2、迭代进行gradient descent,直到收敛到一个点上。

测试代码(每100步输出一条theta直线,直到迭代结束):

复制代码
function [ result ] = gradientDescent( x,y,alpha,accuracy )
%GRADIENTDESCENT Summary of this function goes here
%   Detailed explanation goes here
orgX=x;
plot(orgX, y, 'o');
ylabel('Height in meters')
xlabel('Age in years')
m=length(y);
x=[ones(m,1),x];
theta = zeros(1,2);
hold on;
times = 0;
while(1)
    times = times + 1;
    delta=(x*theta')-y;
    sum=delta'*x;
    delta_theta=sum*alpha/m;
    theta1=theta - delta_theta;
    if(all(abs(theta1(:) - theta(:)) < accuracy))
        result = theta;
        break;
    end
    theta = theta1;
    if(mod(times,100) == 0)
        plot(x(:,2), x*theta', '-','color',[(mod(times/100,256))/256 128/256 2/256]); % remember that x is now a matrix with 2 columns
        % and the second column contains the time info
        legend('Training data', 'Linear regression');
    end
end
    
end
复制代码

效果如下:

可以看到,theta所确定的直线慢慢逼近数据集。

洁净版的代码(只输出最终的theta结果,不输出中间步骤):

复制代码
function [ result ] = gradientDescent( x,y,alpha,accuracy )
%GRADIENTDESCENT Summary of this function goes here
%   Detailed explanation goes here
orgX=x;
plot(orgX, y, 'o');
ylabel('Height in meters')
xlabel('Age in years')
m=length(y);
x=[ones(m,1),x];
theta = zeros(1,2);
hold on;
while(1)
    delta=(x*theta')-y;
    sum=delta'*x;
    delta_theta=sum*alpha/m;
    theta1=theta - delta_theta;
    if(all(abs(theta1(:) - theta(:)) < accuracy))
        result = theta;
        plot(x(:,2), x*theta', '-','color',[200/256 128/256 2/256]); % remember that x is now a matrix with 2 columns
        % and the second column contains the time info
        legend('Training data', 'Linear regression');
        break;
    end
    theta = theta1;
end
    
end
复制代码

结果:

执行代码

result=gradientDescent(x,y,0.07,0.00000001)

其中0.07为步长(即学习率),0.00000001为两个浮点矩阵的相近程度(即在这个程度内,视为这两个浮点矩阵相等)

收敛时的theta值为:

theta =    0.7502    0.0639

 

3、现在,我们已经训练出了权重向量theta的值,我们可以用它来预测一下别的数据。

predict the height for a two boys of age 3.5 and age 7

代码如下:

>> boys=[3.5;7];
>> boys=[ones(2,1),boys];
>> heights=boys*theta';

执行结果:

heights =

    0.9737
    1.1973

 

4、理解J(θ)

 

J(θ)是与权重向量相关的cost function。权重向量的选取,会影响cost的大小。我们希望cost可以尽量小,这样相当于寻找cost function的最小值。查找一个函数的最小值有一个简单的方法,就是对该函数求导(假设该函数可导),然后取导数为0时的点,该点即为函数的最小值(也可能是极小值)。梯度下降就是对J(θ)求偏导后,一步一步逼近导数为0的点的方法。

因为我们在此练习中使用的θ向量只有两个维度,因此可以使用matlab的plot函数进行可视化。在一般的应用中,θ向量的维度很高,会形成超平面,因此无法简单的用plot的方法进行可视化。

代码:

复制代码
function [] = showJTheta( x,y )
%SHOW Summary of this function goes here
%   Detailed explanation goes here
J_vals = zeros(100, 100);   % initialize Jvals to 100x100 matrix of 0's
theta0_vals = linspace(-3, 3, 100);
theta1_vals = linspace(-1, 1, 100);
for i = 1:length(theta0_vals)
      for j = 1:length(theta1_vals)
      t = [theta0_vals(i); theta1_vals(j)];
      J_vals(i,j) = sum(sum((x*t - y).^2,2),1)/(2*length(y));
    end
end

% Plot the surface plot
% Because of the way meshgrids work in the surf command, we need to 
% transpose J_vals before calling surf, or else the axes will be flipped
J_vals = J_vals'
figure;
surf(theta0_vals, theta1_vals, J_vals);
axis([-3, 3, -1, 1,0,40]);
xlabel('\theta_0'); ylabel('\theta_1')

end
复制代码

执行:

x=load('ex2x.dat');
y=load('ex2y.dat');
x=[ones(length(y),1),x];
showJTheta(x,y);

结果

加上等高线的绘制语句

figure;
% Plot the cost function with 15 contours spaced logarithmically
% between 0.01 and 100
contour(theta0_vals, theta1_vals, J_vals, logspace(-2, 2, 15));
xlabel('\theta_0'); ylabel('\theta_1');

效果

举报

相关文章推荐

[Exercise 1] Linear Regression

数据描述这次练习是多元线性回归中最简单的二元线性回归,参考exericse1给出的题目,50个数据样本点,其中x为这50个小朋友到的年龄,年龄为2岁到8岁,年龄小数形式呈现。Y为这50个小朋友对应的身...

Multivariate Linear Regression Exercise

线性回归

精选:深入理解 Docker 内部原理及网络配置

网络绝对是任何系统的核心,对于容器而言也是如此。Docker 作为目前最火的轻量级容器技术,有很多令人称道的功能,如 Docker 的镜像管理。然而,Docker的网络一直以来都比较薄弱,所以我们有必要深入了解Docker的网络知识,以满足更高的网络需求。

Linear Regression Exercise

线性回归,是利用一个或多个自变量和因变量的关系,进行的最小平方和函数的建模。 本文是最简单的二元线性回归问题的解决。理论文档参考:http://openclassroom.stanford.edu/M...

Deep Learning Exercise: Linear Regression

Deep Learning Exercise: Linear Regression简介最简单的二元线性回归,参考斯坦福大学教学网http://openclassroom.stanford.edu/Ma...

Programming Exercise 1: Linear Regression Machine Learning

大家好,今天总结Coursera网课上Andrew Ng MachineLearning 第一次作业 1.computeCost.mfunction J = computeCost(X, y, th...

Coursera Machine Learning Week 1.2: Linear Regression.one variable

regression问题是predict real-valued output classification问题是discrete-valued output linear regression ...

局部加权线性回归

紧接着之前的问题,我们的目标函数定义为: 我们的目标是最小化cost function: 换成线性代数的表述方式: 是mxm维的对角矩阵 是mx...

linear-regression

#!/usr/bin/env python # coding=utf-8 import tensorflow as tf import numpy as np import matplotlib.p...

Regularization Exercise

本文针对线性回归和logistic回归的正规化问题的练习,理论参考文档:http://openclassroom.stanford.edu/MainFolder/DocumentPage.php?co...

linear regression

行走的馒头  一、linear regression   http://zhfuzh.blog.163.com/blog/static/1455393872012730953946...
返回顶部
收藏助手
不良信息举报
您举报文章:深度学习:神经网络中的前向传播和反向传播算法推导
举报原因:
原因补充:

(最多只允许输入30个字)