震精！18行代码实现通用线性回归算法问题

线性回归通用算法

话不多说，直接上代码

import numpy as np
# 定义假设函数：X是一个行向量  W是一个列向量
def hyFunction(X, W):
    return X.dot(W)
# 梯度函数
def gradientFunction(X, W, y):
    return (X.dot(W) - y).dot(X) # 行向量
#梯度下降算法
def gradientDescent(X, w, y, hyFunc, gFunc, lamb = 0.001 , tolance = 1.0e-8, times = 2000000):
    W = w
    result = hyFunc(X,W)
    t=0
    while t<times:
        g = gFunc(X,W, y)
        next_w = W - g*lamb
        next_result = hyFunc(X,next_w)
        if np.sum(abs(next_result - result))/X.shape[0]<tolance:
            print("迭代了",t,"次完成")
            return next_w
        else:
            W,result = next_w,next_result
            t += 1

#以下为测试部分

# 构造数据：验证高阶有效性
# 下列x和y是使用函数：y=0.5*x*x*x+1.2*x*x-2.3*x+10 大致计算出来的

x = np.array([-3, -2.3, -1.6, -1, -0.3, 0.3, 1, 1.6, 2.3, 3])
y = np.array([14.2, 15.5, 14.8, 13., 10.8, 9.4, 9.4, 11.8, 17.5, 27.4])

def make_x_ext(X):
    x_ext = np.c_[X[:,np.newaxis], np.ones(len(X))]         # 追加全1列
    x_ext = np.insert(x_ext, 0, np.power(X, 2), axis=1)     # 插入x*x数据列
    x_ext = np.insert(x_ext, 0, np.power(X, 3), axis=1)     # 插入x*x*x数据列
    return x_ext

w_init = np.array([2.5, 3.0, 1.2, 0.7]) # 猜测这就是最优的系数
x_ext = make_x_ext(x)
w = gradientDescent(x_ext, w_init, y, hyFunction, gradientFunction)
print(w)


# 构造数据：验证多元线性有效性
'''
X = np.array([[3, 0],[4, 1], [5,2], [7,3]])
y = np.array([9, 12,15, 20])
row = X.shape[0]
one = np.ones(row)
print(one)
one = one[:,np.newaxis]
print(one)
X = np.hstack((X, one))
print(X)

w = gradientDescent(X, np.array([100, 200, 20]), y, hyFunction, gradientFunction)
print(w)
'''