python实现机器学习多元线性回归详解
总体思路与一元线性回归思想一样,现在将数据以矩阵形式进行运算,更加方便。
一元线性回归实现代码
下面是多元线性回归用Python实现的代码:
import numpy as np
def linearRegression(data_X,data_Y,learningRate,loopNum):
W = np.zeros(shape=[1, data_X.shape[1]])
# W的shape取决于特征个数,而x的行是样本个数,x的列是特征值个数
# 所需要的W的形式为 行=特征个数,列=1 这样的矩阵。但也可以用1行,再进行转置:W.T
# X.shape[0]取X的行数,X.shape[1]取X的列数
b = 0
#梯度下降
for i in range(loopNum):
W_derivative = np.zeros(shape=[1, data_X.shape[1]])
b_derivative, cost = 0, 0
WXPlusb = np.dot(data_X, W.T) + b # W.T:W的转置
W_derivative += np.dot((WXPlusb - data_Y).T, data_X) # np.dot:矩阵乘法
b_derivative += np.dot(np.ones(shape=[1, data_X.shape[0]]), WXPlusb - data_Y)
cost += (WXPlusb - data_Y)*(WXPlusb - data_Y)
W_derivative = W_derivative / data_X.shape[0] # data_X.shape[0]:data_X矩阵的行数,即样本个数
b_derivative = b_derivative / data_X.shape[0]
W = W - learningRate*W_derivative
b = b - learningRate*b_derivative
cost = cost/(2*data_X.shape[0])
if i % 100 == 0:
print(cost)
print(W)
print(b)
if __name__== "__main__":
X = np.random.normal(0, 10, 100)
noise = np.random.normal(0, 0.05, 20)
W = np.array([[3, 5, 8, 2, 1]]) #设5个特征值
X = X.reshape(20, 5) #reshape成20行5列
noise = noise.reshape(20, 1)
Y = np.dot(X, W.T)+6 + noise
linearRegression(X, Y, 0.003, 5000)
特别需要注意的是要弄清:矩阵的形状
在梯度下降的时候,计算两个偏导值,这里面的矩阵形状变化需要注意。
梯度下降数学式子:
以代码中为例,来分析一下梯度下降中的矩阵形状。
代码中设了5个特征。
WXPlusb = np.dot(data_X, W.T) + b
W是一个1*5矩阵,data_X是一个20*5矩阵
WXPlusb矩阵形状=20*5矩阵乘上5*1(W的转置)的矩阵=20*1矩阵
W_derivative += np.dot((WXPlusb - data_Y).T, data_X)
W偏导矩阵形状=1*20矩阵乘上 20*5矩阵=1*5矩阵
b_derivative += np.dot(np.ones(shape=[1, data_X.shape[0]]), WXPlusb - data_Y)
b是一个数,用1*20的全1矩阵乘上20*1矩阵=一个数
《Python机器学习经典实例》学习感悟
初衷
在看到一位产品经理制定机器学习的计划并实施后,产生了同样的念头,“非技术”都在了解学习机器学习,我有什么理由不去学呢?
关于本书
本书(《Python 机器学习经典实例》)的标题“经典实例”让我非常感兴趣。
一直认为学习任何新事物,先上手实现简单的demo,再分析这个demo做了什么,怎么做,才能更快的学习。如果是在初始阶段就大量的学习理论,只会对要学习的东西感到痛苦,“这个有什么用啊?”或者“虽然每个字都能看懂,但放一起就不知道在说什么了”。
幸运的是本书就同书名一样,上手就是实例,也穿插了必要的专有名词解释,总体来说还是能够跟得上进度。
并且给出了所使用的数据,能够和书中得到相同的结果,这一反馈更能够增强学习的意愿与兴趣。
但是另一方面,只给出“结果”,而没有“原因”,在一定程度上只是学会了“书里面的知识”,而无法从虚拟的例子映射到实际的现实问题。但鱼和熊掌不可得兼,专注做好一件事,对于“机器学习”的通俗解释,可以从另一本书中找到答案(还没找到这本书)。
总结
还是之前的观点,谈论一本书,要看书的受众、目标。而本书已经做到了它希望做到的 —— 给出机器学习的实例。
以上就是本次给大家分享的关于java的全部知识点内容总结,大家还可以在下方相关文章里找到相关文章进一步学习,感谢大家的阅读和支持。