本文通过模拟实现梯度下降法，详细介绍了该过程。首先导入所需模块，选取-1到6的141个点作为参数x的取值，并设定函数y = (x - 2.5)^2 - 1作为代价函数。接着，求得函数导数并计算损失函数J，然后初始化学习率，通过循环迭代更新θ的值，最终找到使J值最小的θ，即最佳参数。结果表明，当x在2到3之间时，J的值最小，模拟实现与理论相吻合。
模拟梯度下降法过程
1. 导入需要的模块和包：
import numpy as np
import matplotlib.pyplot as plt2. 选取-1到6之间的141个点作为x的取值（参数θ）：
plot_x = np.linspace(-1, 6, 141)
plot_x查看所有x取值的点的值：
3. 假设函数y = f(x)对应的方程为y = (x - 2.5) ^ 2 -1。（y代表代价函数J(θ)）则：
plot_y = (plot_x - 2.5) ** 2 - 1查看一下y = f(x)曲线，是一条抛物线：
4. 对y = (x - 2.5) ^ 2 -1求导为：2 * (x - 2.5)：
最低0.47元/天 解锁文章
269
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
