02_有监督学习--简单线性回归模型（梯度下降法代码实现）

有监督学习–简单线性回归模型（梯度下降法代码实现）

0.引入依赖

import numpy as np
import matplotlib.pyplot as plt

1.导入数据（data.csv）

points = np.genfromtxt('data.csv', delimiter=',')

# points
# 提取 points 中的两对数据，分别作为 x, y
# points[0][0]  等价于
# points[0,0]  # 第一行第一列数据
# points[0,0:1] # array([32.50234527])
# points[0,0:2] # 第一行数据 array([32.50234527, 31.70700585])
# points[0,0:] # 第一行数据 array([32.50234527, 31.70700585])
x = points[:,0] # 第一列数据
y = points[:,1] # 第二列数据

# 用 scatter 画出散点图
plt.scatter(x, y)
plt.show()

作图如下：

2.定义损失函数

# 损失函数是模型系数的函数，还需要传入数据的 x,y
def compute_cost(w, b, points):
    total_cost = 0
    M = len(points)
    # 逐点计算【实际数据 yi 与 模型数据 f(xi) 的差值】的平方，然后求平均
    for i in range(M):
        x = points[i, 0]
        y = points[i, 1]
        total_cost += (y - w * x - b) ** 2
    
    return total_cost / M

3.定义模型的超参数

alpha = 0.0001
initial_w = 0
initial_b = 0
num_iter = 10

4.定义核心梯度下降模型函数

def grad_desc(points, initial_w, initial_b, alpha, num_iter):
    w = initial_w
    b = initial_b
    # 定义一个list保存所有的损失函数值，用来显示下降的过程
    cost_list = []
    
    for i in range(num_iter