线性回归
为了解释线性回归,我们举一个实际的例子: 我们希望根据房屋的面积(平方英尺)和房龄(年)来估算房屋价格(美元)。 因此我们需要开发一个能预测房价的模型。
线性模型
在线性模型中,我们最主要的是希望寻找到最好的模型参数w和b,但在寻找之前我们还需要两个东西:1.一种模型质量的度量方式(损失函数)损失函数常用平方误差损失
2.一种能更新模型以提高模型预测质量的方法(梯度下降,我们比较常用的是随机梯度下降SGD)如果每次更新参数都遍历整个数据集的话,会耗费很多时间,所以。
#线性回归实现
import random
from mxnet import autograd,np,npx
import matplotlib.pyplot as plt
from d2l import mxnet as d2l
npx.set_np()
#生成数据集
def synthetic_data(w,b,num_examples):
X=np.random.normal(0,1,(num_examples,len(w)))#形状
y=np.dot(X,w)+b
y+=np.random.normal(0,0.01,y.shape)
return X,y.reshape((-1,1))
true_w=np.array([2,-3.4])
true_b=4.2
features,labels=synthetic_data(true_w,true_b,1000)#features表示样本,我们一共产生了包含1000个样本的数据集
'''
for i in range(10):
print('features:',features[i],'\nlabel',label[i],i)
'''
'''
#生成第二个特征features[:,1]和labels的散点图来观察两者之间的线性关系
d2l.set_figsize()
d2l.plt.scatter(features[:,(1)].asnumpy(),labels.asnumpy(),1);
plt.show()
'''
#读取数据集
'''
定义一个函数,能够打乱数据集中的样本并以小批量方式获取数据,接下来我们定义一个data_iter函数
该函数接收批量大小、特征矩阵和标签向量作为输入,生成大小为batch_size的小批量。每个小批量包含一组特征和标签
'''
def data_iter(batch_size,features,labels):
num_examples=len(features)
indices=list(range(num_examples))
#这些样本是随机读取的,没有特定的顺序
random.shuffle(indices)#用于将一个列表中的元素打乱顺序
for i in range(0,num_examples,batch_size):
batch_indices=np.array(indices[i:min(i+batch_size,num_examples)])
yield features[batch_indices],labels[batch_indices]
batch_size=10
'''
for X,y in data_iter(batch_size,features,labels):
print(X,'\n',y)
break
'''
#初始化模型参数
'''
当我们开始使用小批量随机梯度下降优化我们的模型参数之前,我们需要先有一些参数,我们通过从
均值为0,标准差为0.01的正态分布中采样随机数来初始化权重,并将偏置初始化为0
'''
w=np.random.normal(0,0.01,(2,1))
b=np.zeros(1)
w.attach_grad()
b.attach_grad()#用来更新损失函数关于模型参数的梯度
#定义模型
'''
计算线性模型的输出,我们只需要计算输入特征X和模型权重w的矩阵,向量乘法后加上偏置b,注意Xw是一个向量,b是一个标量
当我们用一个向量加上一个标量时,标量会被加到向量的每个分量上
'''
def linreg(X,w,b):
return np.dot(X,w)+b
#定义损失函数
'''
要计算损失函数的梯度,我们应该先定义损失函数,实现过程中,我们需要将真实值y的形状转换为何预测值y_hat的形状相同
'''
def squared_loss(y_hat,y):
'''均方损失'''
return (y_hat-y.reshape(y_hat.shape))**2/2
#定义优化算法
'''这里我们实现小批量随机梯度下降,每一步更新大小由学习速率lr决定,因为我们计算的损失是一个批量样本的总和
,所以我们用批量大小(batch_size)来规范步长,这样步长大小就不会取决于我们对批量大小的选择
'''
def sgd(params,lr,batch_size):
'''小批量随机梯度下降'''
for param in params:
param[:]=param-lr*param.grad/batch_size
#训练
'''
每次迭代过程中,读取一小批量训练样本,并通过我们的模型来获得一组预测。计算完损失后,我们开始反向传播,存储每个参数的梯度。
最后调用优化算法sgd来更新模型参数,即:
1.初始化参数
2.重复以下训练,直到完成:计算梯度,更新参数。
在每个迭代周期(epoch)中,我们使用data_iter函数遍历整个数据集,并将训练数据集中所有样本都使用一次。
迭代周期个数和学习率都是超参数,分别设为3和0.03
'''
lr=0.03
num_epochs=3
net=linreg
loss=squared_loss
for epoch in range(num_epochs):
for X,y in data_iter(batch_size,features,labels):
with autograd.record():
l=loss(net(X,w,b),y)#X和y的小批量损失
l.backward()
sgd([w,b],lr,batch_size)#使用参数的梯度更新参数
train_l=loss(net(features,w,b),labels)
print(f'epoch{epoch+1},loss{float(train_l.mean()):f}')
print(f'w的估计误差:{true_w-w.reshape(true_w.shape)}')
print(f'b的误差估计:{true_b-b}')
最后得出的结果如下