梯度下降预测房价

最新推荐文章于 2024-09-11 11:22:05 发布

m0_71341629

最新推荐文章于 2024-09-11 11:22:05 发布

阅读量529

点赞数 1

文章标签： python 深度学习机器学习

本文链接：https://blog.csdn.net/m0_71341629/article/details/127583614

版权

1，目标函数为y=w1*x1+w2*x2+b

2，已知x1,x2,y的几组数据，利用梯度不断下降求出w1,w1,b（数据自己写的，不精确）

x1 = [123, 134, 145, 156, 178, 189, 198, 200]#面积
x2= [2, 3, 4, 5, 6, 7, 8, 9]#房间数
y= [100, 130, 150, 167, 178, 187, 199, 212]#价格

3，因为数据差的过大，所以先对数据进行归一化处理，原理为：这里写图片描述

代码实现如下

def f(list=[]):
   xmin = min(list)
   xmax = max(list)
   for i, x in enumerate(list):
      list[i] = (x - xmin) / (xmax - xmin)
   return list

4，定义学习率等变量，利用数组存储数据，方便画图。同时对不同变量求偏导。

learn=0.001#学习率
m=8#变量数
w1=w2=b=1#赋初值
#数组存储数据
storage2=[]
storage1=[]
storage3=[]
d= [0, 0, 0]
#求导
 for i in range(m-1):
    d[0]+=(w1*x1[i+1]+w2*x2[i+1]-y[i+1]+b)*x1[i+1]
    d[1]+=(w2*x2[i+1]+w1*x1[i+1]-y[i+1]+b)*x2[i+1]
    d[2]+=(w1*x1[i+1]+w2*x2[i+1]+b)-y[i+1]

5，设置误差值，作为判定条件

 for i in range(m):
       error1 += w1 * x1[i] + w2 * x2[i] + b - y[i]

6，定义循环，选择判定条件，误差足够小，跳出循环，学习完成。

while True:



 
if abs(error1)<5:
     break
 else:
     error=0

7，输出所得变量值，得到预测函数

print(w1)
print(w2)
print(b)

8，运行后，结果如下。由于数据过于随意，结果较复杂，我从网上抄了一下别人的规范数据。

9，网上找的数据。

x = [150,200,250,300,350,400,600]
y = [6450,7450,8450,9450,11450,15450,18450]

10，由于数据只有两组，我对代码进行简化，完整如下：

def f(list=[]):
   xmin = min(list)
   xmax = max(list)
   for i, x in enumerate(list):
      list[i] = (x - xmin) / (xmax - xmin)
   return list
x = f([150,200,250,300,350,400,600])
y =f( [6450,7450,8450,9450,11450,15450,18450])
learn = 0.00001
m =7
w = 0
b = 0
error0=0
error1=0
epsilon=0.000001
storage0 = []
storage1 = []
while True:
    diff = [0, 0]
    for i in range(m):
        diff[0] +=w*x[i]+b - y[i]
        diff[1] += (w*x[i] +b- y[i]) * x[i]
    b = b - learn / m * diff[0]
    w = w - learn / m * diff[1]
    storage0.append(b)
    storage1.append(w)
    error1 = 0
    for i in range(len(x)):
        error1 += (y[i] - (b + w * x[i])) ** 2 / 2
    if abs(error1 - error0) < epsilon:
        break
    else:
        error0 = error1

print(w,b)