学习覃禀丰老师的机器学习第一天,一元线性回归、代价函数、梯度下降法
一元线性回归,自变量只有一个,通过一条回归直线描述散点之间的拟合情况。
代价函数,使用最小二乘法计算误差,描述真实值和预测值之间的误差大小。
梯度下降法
这里的公式是会不断的向最小值优化,)α(阿拉法学习率(就是说机器学习的步长,每一步学习的效率)肯定是正数(0~1),θ(西塔)就是这里每一点的斜率,当斜率小于0,那么通过公式θ会变大往右边移动,当斜率大于0,那么通过公式θ会变小往左边移动。会接近全局最小值或局部极小值。当迭代完成时就会获得代价函数最小值或极小值
当函数时二元线性回归或多元线性回归时,使用梯度下降法找到的不一定是全局最小值,也可能使局部极小值。当选取的初始点位置不是很好时,就会导致梯度下降的方向是局部极小值的方向。
来一手代码
import numpy as np
import matplotlib.pyplot as plt
data = np.genfromtxt("data.csv",delimiter=",") #读取csv的文件,以,为分隔符
x_data = data[:,0] #取所有的行但只要第0列
y_data = data[:,1] #取所有的行但只要第1列
# plt.scatter(x_data, y_data) #画散点图
plt.show()
# 学习率learning rate
lr = 0.0001
# 截距
b = 0
# 斜率
k = 0
# 最大迭代次数
epochs = 50
# 最小二乘法
def compute_error(b, k, x_data, y_data):
totalError = 0
for i in range(0, len(x_data)):
totalError += (y_data[i] - (k * x_data[i] + b)) ** 2
return totalError / float(len(x_data)) / 2.0 #参见下文最小二乘法图片
#梯度下降
def gradient_descent_runner(x_data, y_data, b, k, lr, epochs):
# 计算总数据量
m = float(len(x_data))
# 循环epochs次
for i in range(epochs):
b_grad = 0
k_grad = 0
# 计算梯度的总和再求平均
for j in range(0, len(x_data)):
b_grad += (1/m) * (((k * x_data[j]) + b) - y_data[j])
k_grad += (1/m) * x_data[j] * (((k * x_data[j]) + b) - y_data[j])
# 更新b和k
b = b - (lr * b_grad)
k = k - (lr * k_grad)
#这里每一次梯度下降就更新一次b和k,不能计算了一次截距(或斜率)就更新一次,要等b和看都完成一次计算在更新
#感觉类先读更新后会让k的值变成下一次梯度下降的值
# 每迭代5次,输出一次图像
# if i % 5==0:
# print("epochs:",i)
# # plt.plot(x_data, y_data, 'b.')
# plt.scatter(x_data, y_data)
# plt.plot(x_data, k*x_data + b, 'r')
# plt.show()
return b, k
print("Starting b = {0}, k = {1}, error = {2}".format(b, k, compute_error(b, k, x_data, y_data)))
print("Running...")
b, k = gradient_descent_runner(x_data, y_data, b, k, lr, epochs)
print("After {0} iterations b = {1}, k = {2}, error = {3}".format(epochs, b, k, compute_error(b, k, x_data, y_data)))
# 画图
plt.plot(x_data, y_data, 'b.')
plt.plot(x_data, k*x_data + b, 'r')
plt.show()
最小二乘法是求代价函数的方法,公式如下图
梯度下降法公式如下