python线性回归代码_python实现机器学习之元线性回归

一、理论知识准备

1.确定假设函数

如：y=2x+7

其中，（x，y）是一组数据，设共有m个

2.误差cost

用平方误差代价函数

3.减小误差（用梯度下降）

二、程序实现步骤

1.初始化数据

x、y：样本

learning rate：学习率

循环次数loopNum：梯度下降次数

2.梯度下降

循环（循环loopNum次）：

（1）算偏导（需要一个for循环遍历所有数据）

（2）利用梯度下降数学式子

三、程序代码

import numpy as np

def linearRegression(data_x,data_y,learningRate,loopNum):

w,b=0,0

#梯度下降

for i in range(loopNum):

w_derivative, b_derivative, cost = 0, 0, 0

for j in range(len(data_x)):

wxPlusb=w*data_x[j]+b

w_derivative+=(wxPlusb-data_y[j])*data_x[j]

b_derivative+=wxPlusb-data_y[j]

cost+=(wxPlusb-data_y[j])*(wxPlusb-data_y[j])

w_derivative=w_derivative/len(data_x)

b_derivative=b_derivative/len(data_x)

w = w - learningRate*w_derivative

b = b - learningRate*b_derivative

cost = cost/(2*len(data_x))

if i%100==0:

print(cost)

print(w)

print(b)

if __name__== "__main__": #_x:protected __x:private

x=np.random.normal(0,10,100)

noise=np.random.normal(0,0.05,100)

y=2*x+7+noise

linearRegression(x,y,0.01,5000)

四、输出

1.输出cost

可以看到，一开始的误差是很大的，然后减小了

最后几次输出的cost没有变化，可以将训练的次数减小一点

2.训练完的w和b

和目标w=2，b=7很接近

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。