前言
如何拟合线性模型y=wx+b,拟合线性模型y=wx见:PyTorch学习1:线性模型
一、问题描述
有两组数据,x和y,根据线性模型y=wx+b拟合出合适的w值,使得模型能够较为准确反映数据变化趋势。
二、求解步骤
1.分析
定义函数forward返回估计值
定义函数loss返回均方误差
利用穷举法找到合适的w和b值
绘制三维图像观察,并输出最合适的w和b值
注意:与拟合y=wx不同的是,这里由于需要拟合两个参数,两个拟合参数加上拟合值共有三个维度,因此直接利用语句[w,b]=np.meshgrid(W,B)得到两个拟合参数的对应矩阵,函数forward和函数loss的返回值均为矩阵,直接进行矩阵的运算。
2.代码示例
代码如下(示例):
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
# 这里设函数为y=3x+2
x_data = [1.0,2.0,3.0]
y_data = [5.0,8.0,11.0]
def forward(x):
return x * w + b
def loss(x,y):
y_pred = forward(x)
return (y_pred-y)*(y_pred-y)
mse_list = []
W=np.arange(0.0,6.0,0.1)
B=np.arange(0.0,4.1,0.1)
[w,b]=np.meshgrid(W,B)
l_sum = 0
for x_val, y_val in zip(x_data, y_data):
y_pred_val = forward(x_val)
print(y_pred_val)
loss_val = loss(x_val, y_val)
l_sum += loss_val
min_index = np.unravel_index(np.argmin(l_sum), l_sum.shape)
print('最小误差的坐标为',min_index)
print('最小误差的W,B值为',W[min_index[1]],B[min_index[0]])
print('最小误差为',l_sum[min_index[0],min_index[1]])
fig = plt.figure()
ax =fig.add_axes(Axes3D(fig))
ax.plot_surface(w, b, l_sum/3)
ax.set_xlabel('W')
ax.set_ylabel('B')
ax.set_zlabel('Loss')
plt.show()
得到如下的结果:
总结
拟合线性模型y=wx+b