实验三一元线性回归梯度下降算法（源代码）

# 思想：使损失函数MSE最小，拟合出的函数越准确

# 案例：假设你是一家餐厅的老板，考虑开一家分店，根据该城市的人口预测利润
import pandas as pd
import numpy as np

df = pd.read_csv('data.txt', header=None)
print(df)
# 取所有的人口转成数组
x = np.array(df.iloc[:, 0])
# print(x)
# 取所有的利润转成数组
y = np.array(df.iloc[:, 1])
# print(y)
# 样本量
N = len(x)
# 斜率
w = 5
# 截距
b = -0.5
# 迭代次数
iteration = 10000
# 学习率
learning_rate = 0.0002
# 两次随时函数值的误差值
coef = 0.001


# 预测函数
def predict():
    return w * x + b


# 损失函数
def get_loss():
    loss = 0
    # 取预测值
    y_predict = predict()
    # print(y_predict)
    # 通过损失函数求损失值 MSE
    loss = (1 / N) * np.sum([val ** 2 for val in (y - y_predict)])
    print(loss)
    return loss


# 梯度下降算法：分别对w,b求导
def get_gradient():
    # 取所有的预测值
    y_predict = predict()
    # 取当前的损失函数的值
    loss = get_loss()
    # 分别对w,b求偏导
    # 对b求导
    b1 = -(2 / N) * sum(y - y_predict)
    # 对w求导
    w1 = -(2 / N) * sum(x * (y - y_predict))
    print(w1, b1)
    # 改变w和b
    w1 = w - learning_rate * w1
    b1 = b - learning_rate * b1
    return w1, b1, loss


cost1 = 0
# 循环10000次
for i in range(iteration):
    # 使用梯度下降求最新的w,b
    w, b, loss = get_gradient()
    # 计算误差值
    error = cost1 - loss
    # 如果误差值小于阈值就结束
    if cost1 != 0 and error < coef:
        break;
    cost1 = loss

print(f'w={w},b={b},loss={cost1}')
# 输入该城市的人口，预测利润
y = w * 12 + b
print(f'利润={y}')