机器学习之多元线性回归模型梯度下降法的python实现

机器学习之多元线性回归模型梯度下降法的python实现

前言： 本文利用python实现多元线性回归模型的梯度下降算法，以二元线性回归模型为例，实现梯度下降算法，以及训练得到的三维图形结果展示。

一、二元线性回归模型的梯度下降算法代码

本数据的学习率选择0.0001，初始参数选择0，最大梯度下降迭代次数为1000次

import numpy as np
from numpy import genfromtxt
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

# 读取数据
data = genfromtxt(r'Delivery.csv',delimiter=',')

# 切分数据
x_data = data[:, 0:-1]  # 所有行的从第0个列至倒数第一个列（不包括倒数第一个列）的数据
y_data = data[:, -1]


# 学习率
lr = 0.0001
# 二元线性模型: y_data = theta0 + theta1 * x_data[0] + theta2 * x_data[1]
theta0_init = 0
theta1_init = 0
theta2_init = 0
# 最大迭代次数
ite = 1000

# 代价函数
def compute_error(theta0, theta1, theta2, x_data, y_data):
    totleError = 0
    for i in range(0, len(x_data)):
        totleError += ((theta0 + theta1 * x_data[i, 0] + theta2 * x_data[i, 1]) - y_data[i]) ** 2
    return totleError / float(len(x_data)) / 2.0

# 梯度下降
def gradient_descent_runner(theta0, theta1, theta2, lr, ite, x_data, y_data):
    m = float(len(x_data))  # 样本容量
    for i in range(ite):
        theta0_grad = 0
        theta1_grad = 0
        theta2_grad = 0
        for j in range(0, len(x_data)):
            theta0_grad += (1 / m) * ((theta0 + theta1 * x_data[j, 0] + theta2 * x_data[j, 1]) - y_data[j])
            theta1_grad += (1 / m) * ((theta0 + theta1 * x_data[j, 0] + theta2 * x_data[j, 1]) - y_data[j]) * x_data[j, 0]
            theta2_grad += (1 / m) * ((theta0 + theta1 * x_data[j, 0] + theta2 * x_data[j, 1]) - y_data[j]) * x_data[j, 1]
        # 同步更新参数
        theta0 -= lr * theta0_grad
        theta1 -= lr * theta1_grad
        theta2 -= lr * theta2_grad
    return theta0, theta1, theta2

if __name__ == '__main__':
    print('Starting theta0 = {0}, theta1 = {1}, theta2 = {2}, error = {3}'.
          format(theta0_init, theta1_init, theta2_init, compute_error(theta0_init, theta1_init, theta2_init, x_data,y_data)))
    print('Gradient Descent Running...')
    theta0_end, theta1_end, theta2_end = gradient_descent_runner(theta0_init, theta1_init, theta2_init, lr, ite, x_data, y_data)
    print('After {0} iterations theta0 = {1}, theta1 = {2}, theta2 = {3}, error = {4}'.
          format(ite, theta0_end, theta1_end, theta2_end, compute_error(theta0_end, theta1_end, theta2_end,x_data, y_data)))

    # 绘制3D图
    # 创建图像
    fig = plt.figure()
    # 图像加入3D视图中
    ax = Axes3D(fig)
    x0 = x_data[:, 0]
    x1 = x_data[:, 1]
    ax.scatter(x0, x1, y_data, c='r', marker='o', s=100)
    # 生成格网矩阵
    x0, x1 = np.meshgrid(x0, x1)
    z = theta0_end + theta1_end * x0 + theta2_end * x1
    # 绘制3d
    ax.plot_surface(x0, x1, z)
    # 设置坐标轴
    ax.set_xlabel('Miles')
    ax.set_ylabel('Num of deliverys')
    ax.set_zlabel('Time')

    # 显示图像
    plt.show()

二、训练结果展示

Starting theta0 = 0, theta1 = 0, theta2 = 0, error = 23.639999999999997
Gradient Descent Running...
After 1000 iterations theta0 = 0.006971416196678633, theta1 = 0.08021042690771771, theta2 = 0.07611036240566814, error = 0.3865635716109059

可以看出训练后的模型误差得到了大幅度的下降

可以看出训练后的模型与样本数据拟合效果较好

三、本文数据下载
链接：https://pan.baidu.com/s/1RW3IyWwZQSDwik-09fT_OQ
提取码：9nxf