方差代价函数

差值有正负，所以相互之间会发生抵消作用,这就是用差值评估预测误差的问题
所以我们对一批豆豆预测的结果和标准答案之间的平方误差越小，说明偏离事实越小

对于环境中的问题数据预测时产生不同的误差，而利用这个“代价函数”的最低点的w值，这时候预测函数也就很好完成了对数据的拟合。

x和y都是通过观测统计而来的已知数，成为了代价函数的已知参数部分，而w成为了自变量，误差代价e是因变量。

代码

import numpy as np
import dataset
from matplotlib import pyplot as plt
n=100
# 画豆豆散点图
xs, ys = dataset.get_beans(n)
plt.title("size-toxicity Fuction", fontsize=12)
plt.xlabel('bean size')
plt.ylabel("toxicity")
plt.scatter(xs, ys)

w=0.1
y_pre = w * xs
plt.plot(xs, y_pre)
plt.show()

ws=np.arange(0,3,0.1)
es= []
for w in ws:
    y_pre = w * xs
    # 计算误差的均方
    e=(1/n)*np.sum((ys-y_pre)**2)
    es.append(e)
#话出w不同取值下误差的均方
plt.title("cost function", fontsize=12)
plt.xlabel("w")
plt.ylabel("e")
plt.plot(ws, es)
plt.show()
#求抛物线最低点b/2a
w_min=np.sum(xs*ys)/np.sum(xs*xs)
print("e最小点的w"+str(w_min))
#画出e最小点的w值的预测曲线
plt.title("size-toxicity Fuction", fontsize=12)
plt.xlabel('bean size')
plt.ylabel("toxicity")
plt.scatter(xs, ys)
y_pre = w_min* xs
plt.plot(xs, y_pre)
plt.show()

dataset

import numpy as np

def get_beans(counts):
	xs = np.random.rand(counts)
	xs = np.sort(xs)
	ys = [1.2*x+np.random.rand()/10 for x in xs]
	return xs,ys