如何用Python实现常见机器学习算法(一)

一、线性回归

网址
全部代码
1、代价函数

这里写图片描述

其中:这里写图片描述
下面就是要求出theta,使代价最小,即代表我们拟合出来的方程距离真实值最近共有m条数据,其中这里写图片描述代表我们要拟合出来的方程到真实值距离的平方,平方的原因是因为可能有负值,有系数2的原因是下面求梯度是对每个变量求偏导,2可以消去

实现代码:

#计算代价函数
def computerCost(X,y,theta):
    m = len(y)
    J = 0

    J = (np.transpose(X*theta-y))*(X*theta-y)/(2*m) #计算代价J
    return J

注意这里的X是真实数据前加了一列1,因为有theta(0)

2、梯度下降算法

代价函数对求偏导得到:
这里写图片描述

所以对theta的更新可以写为:

这里写图片描述

其中为学习速率,控制梯度下降的速度,一般取0.01,0.03,0.1,0.3…..

为什么梯度下降可以逐步减小代价函数?
假设函数f(x)的泰勒展开:f(x+△x)=f(x)+f’(x)*△x+o(△x),令:△x=-α*f’(x) ,即负梯度方向乘以一个很小的步长α,将△x代入泰勒展开式中:
f(x+x)=f(x)-α*[f’(x)]²+o(△x)
可以看出,α是取得很小的正数,[f’(x)]²也是正数,所以可以得出:f(x+△x)<=f(x),所以沿着负梯度放下,函数在减小,多维情况一样。

#梯度下降算法
def gradientDescent(X,y,theta,alpha,num_iters):
    m = len(y)      
    n = len(theta)

    temp = np.matrix(np.zeros((n,num_iters)))   # 暂存每次迭代计算的theta,转化为矩阵形式

    J_history = np.zeros((num_iters,1)) #记录每次迭代计算的代价值

    for i in range(num_iters):  # 遍历迭代次数    
        h = np.dot(X,theta)     # 计算内积,matrix可以直接乘
        temp[:,i] = theta - ((alpha/m)*(np.dot(np.transpose(X),h-y)))   #梯度的计算
        theta = temp[:,i]
        J_history[i] = computerCost(X,y,theta)      #调用计算代价函数
        print '.',      
    return theta,J_history  

3、均值归一化
目的是使数据都缩放到一个范围内,便于使用梯度下降算法
这里写图片描述
其中这里写图片描述为所有此feture数据的平均值,这里写图片描述可以是最大值-最小值,也可以是这个feature对应的数据的标准差

实现代码:

# 归一化feature
def featureNormaliza(X):
    X_norm = np.array(X)            #将X转化为numpy数组对象,才可以进行矩阵的运算
    #定义所需变量
    mu = np.zeros((1,X.shape[1]))   
    sigma = np.zeros((1,X.shape[1]))

    mu = np.mean(X_norm,0)          # 求每一列的平均值(0指定为列,1代表行)
    sigma = np.std(X_norm,0)        # 求每一列的标准差
    for i in range(X.shape[1]):     # 遍历列
        X_norm[:,i] = (X_norm[:,i]-mu[i])/sigma[i]  # 归一化

    return X_norm,mu,sigma

注意预测的时候也需要均值归一化数据

4、最终运行结果
这里写图片描述
代价随迭代次数的变化

5、使用scikit-learn库中的线性模型实现
https://github.com/lawlite19/MachineLearning_Python/blob/master/LinearRegression/LinearRegression_scikit-learn.py

导入包

from sklearn import linear_model 
from sklearn.preprocessing import StandardScaler    #引入缩放的包 

归一化

#归一化操作    
scaler = StandardScaler()        
scaler.fit(X)     
x_train = scaler.transform(X)     
x_test = scaler.transform(np.array([1650,3])) 

线性模型拟合

 # 线性模型拟合     
model = linear_model.LinearRegression()     
model.fit(x_train, y) 

预测

#预测结果     
result = model.predict(x_test) 
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值