【深度学习学习笔记】2.线性回归之二：不同基函数的实现

实现“多项式基函数”以及“高斯基函数”
其中以及训练集的x的范围在0-25之间

import numpy as np


def identity_basis(x):
    # 将形状从（N，）转换成（N，1）
    ret = np.expand_dims(x, axis=1)
    return ret


def multinomial_basis(x, feature_num=10):
    x = np.expand_dims(x, axis=1)  # shape(N, 1)
    feat = [x]  # 将数组看作一个元素装入list，此时feat大小为1
    for i in range(2, feature_num + 1):
        feat.append(x ** i)     # 加入数组的2次幂--->10次幂
    ret = np.concatenate(feat, axis=1)  # feat中每个元素都是一个数组，将数组在行上拼接

    return ret


def gaussian_basis(x, feature_num=10):
    centers = np.linspace(0, 25, feature_num)   # (10,)

    width = 1.0 * (centers[1] - centers[0])
    x = np.expand_dims(x, axis=1)
    x = np.concatenate([x] * feature_num, axis=1)   # x看作一个元素装入list，扩展成10个x元素，在行上拼接,变成（300，10）

    out = (x - centers) / width
    ret = np.exp(-0.5 * out ** 2)
    return ret


def readdata(filename):
    # filename = './train.txt'
    with open(filename, "r") as f:  # 打开文件
        data = f.readlines()  # 读取文
    X = []
    Y = []
    for line in data:
        list = line.split()
        X.append(float(list[0]))
        Y.append(float(list[1]))
    X = np.array(X)
    Y = np.array(Y)
    return X, Y

filename = './train.txt'
X, Y = readdata(filename)
ret = gaussian_basis(X)