python经典pizza预测问题（批量梯度下降算法）

pizza预测问题:

pizza店又要推出新款pizza了，该怎么更加合理的定义其价格呢？
以下是pizza的现有数据：
pizza直径（cm）：6, 8, 10, 14 , 18
对应价格 （元） ：7, 9, 13, 17.5, 18
新款的pizza直径（cm）为21,欲求价格？？？

说明：pizza店中有很多不同size的pizza,随着pizza的直径越来越大，价格肯定越来越高，显然目标函数是线性函数。那么就可以将已有的数据作为训练数据。通过训练数据优化出一条最优曲线，使pizza店中推出新款pizza时，更友好的根据其大小预测其价格。

（本文中只根据相同配料的一类pizza作为数据。因为在现实生活中，pizza的大小相同，如果配料不同，那肯定价格也不一致。所以，本文只对一类pizza的不同大小以及对应价格作为训练数据。）

具体代码如下：

import numpy as np
import matplotlib.pyplot as plt

def targetFunction(W,X,Y):  #目标函数
    w1,w0 = W               #w1作为斜率  ， w0作为截距
    return np.sum((w0 + w1 * X - Y)**2)/(2*len(X))

def gradientFunction(W,X,Y):  #梯度函数（主要针对w1,w0求偏导）
    w1,w0 = W
    w0_grad = np.sum(w0 + w1*X - Y)/len(X)
    w1_grad = X.dot(w0 + w1*X - Y)/len(X)
    return np.array([w1_grad,w0_grad])

def batch_gradient_distance(targetFunc,gradientFunc,init_W,X,Y,learning_rate = 0.01,tolerance = 0.00001):
	'''
    :param targetFunc:    目标函数
    :param gradientFunc:  梯度函数：目标函数的偏导
    :param init_W:  包括w1和w0的数组
    :param X:       pizza直径样本数据
    :param Y:       pizza价格样本数据
    :param learning_rate:  步近速率
    :param tolerance:      极限值
    :return: 
    '''
    W = init_W
    counts = 0        #初始化循环次数
    target_value = targetFunc(W,X,Y)
    while counts<5000:
        gradient = gradientFunc(W,X,Y)
        next_W = W - gradient * learning_rate      #相当于W = W- ΔW * α 
        next_target_value = targetFunc(next_W,X,Y)
        if abs(next_target_value - target_value) < tolerance:
            print("此结果经过了",counts,"次循环")
            return next_W                   #当新旧目标值相减小于极限值时，认为此时的截距和斜率最优，结束循环
        else:
            W,target_value = next_W,next_target_value      #不满足，则赋予当前最新值继续计算
            counts += 1

x = np.array([6,8,10,14,18])
y = np.array([7,9,13,17.5,18])
np.random.seed(0)   #保证每次运行时，随机出来的结果一致。
init_W = np.array([np.random.random(),np.random.random()])  #给定两个随机的w0,w1的值
w1,w0 = batch_gradient_distance(targetFunction,gradientFunction,init_W,x,y)
print("截距为：",w0,"斜率为：",w1)

def initPlot():    #如下绘图
    plt.figure()
    plt.title("Volume Gradient Decline")
    plt.xlabel("X")
    plt.ylabel("Y")
    plt.axis([0,25,0,25])
    plt.grid(True)
    return plt

plt = initPlot()
plt.plot(x,y,"k.")
plt.plot(x,w0+w1*x,"g-")
new_x = np.array([21])         #当pizza直径为21cm时
predict_y = w0 + w1 * new_x    #预测其价格
print("当pizza直径为",new_x[0],"(cm)时","其价格为：",predict_y[0],"元")
plt.plot(new_x,predict_y,"k.",c="red")
plt.show()

如下图所示：

由此，可得到最优曲线的截距和斜率，即可计算出当pizza大小为21cm时，其最合理的定价为 22.62元。