用上帝的恋爱公式讲线性回归-上_python 回归上帝-CSDN博客

本文链接：https://blog.csdn.net/weixin_43936997/article/details/106444829

用上帝的恋爱公式讲线性回归-上

上帝他老人家手里有一条神奇的恋爱公式！特别神奇，只要你告诉他怎么追妹子的，他就能告诉你将在多少天以后追上妹子！

接下来我们将用代码把整个过程描述出来：准备好了吗？

准备好开发环境

!pip install torch
#安装torch模块

输出如下：

Requirement already satisfied: torch in /Users/mac/anaconda3/envs/pytorch_learn/lib/python3.7/site-packages (1.0.1.post2)

!pip install sklearn
!安装sklearn模块

输出如下：

Collecting sklearn
Collecting scikit-learn (from sklearn)
[?25l  Downloading https://files.pythonhosted.org/packages/bd/1a/5dc99dfa7e7bf2e1f22a07f440b61299148a42d13dee1d5153360313ed67/scikit_learn-0.20.3-cp37-cp37m-macosx_10_6_intel.macosx_10_9_intel.macosx_10_9_x86_64.macosx_10_10_intel.macosx_10_10_x86_64.whl (8.0MB)
[K    100% |████████████████████████████████| 8.0MB 361kB/s ta 0:00:011
[?25hRequirement already satisfied: numpy>=1.8.2 in /Users/mac/anaconda3/envs/pytorch_learn/lib/python3.7/site-packages (from scikit-learn->sklearn) (1.16.2)
Collecting scipy>=0.13.3 (from scikit-learn->sklearn)
[?25l  Downloading https://files.pythonhosted.org/packages/dd/6c/ccf7403d14f0ab0f20ce611696921f204f4ffce99a4fd383c892a6a7e9eb/scipy-1.2.1-cp37-cp37m-macosx_10_6_intel.macosx_10_9_intel.macosx_10_9_x86_64.macosx_10_10_intel.macosx_10_10_x86_64.whl (27.3MB)
[K    100% |████████████████████████████████| 27.3MB 104kB/s ta 0:00:011    55% |█████████████████▉              | 15.3MB 360kB/s eta 0:00:34    99% |████████████████████████████████| 27.2MB 134kB/s eta 0:00:01    99% |████████████████████████████████| 27.3MB 123kB/s eta 0:00:01
[?25hInstalling collected packages: scipy, scikit-learn, sklearn
Successfully installed scikit-learn-0.20.3 scipy-1.2.1 sklearn-0.0

import torch
from torch.utils.data import Dataset,DataLoader
import torch.nn as nn
import torch.nn.functional as F
import torch.nn.init as I

切换成上帝的身份

#颜值分数
appearance=torch.randint(low=60,high=90,size=(1000,1),)
#让女朋友不开心的次数
unhappy=torch.randint(low=1,high=10,size=(1000,1),)
#上自习学习的次数
study=torch.randint(low=1,high=30,size=(1000,1),)
#一起游戏的次数
game=torch.randint(low=1,high=50,size=(1000,1),)

features = torch.cat((appearance, unhappy, study, game), dim=1).type(torch.FloatTensor)

#前三条数据
features[:3]

输出如下：

tensor([[81.,  7., 27., 40.],
        [69.,  6., 14., 37.],
        [87.,  7., 15.,  8.]])

上帝手中的真实公式是这样的 $y = 0.5 * a p p e a r a n c e + 3.8 * u n h a p p y + 0.1 * s t u d y + 0.2 * g a m e + b$
执行中的偏差项b是1

true_w = [0.5, 3.8, 0.1,  0.1]
true_b = 1

labels = true_w[0] * features[:, 0] + true_w[1] * features[:, 1] + true_w[2] * features[:, 2]+ true_w[3] * features[:, 3] + true_b

labels = labels.unsqueeze(dim=1).type(torch.FloatTensor)

#前三条的lable
labels[:3]

输出如下：

tensor([[74.8000],
        [63.4000],
        [73.4000]])

features.shape, labels.shape

输出如下：

(torch.Size([1000, 4]), torch.Size([1000, 1]))

以上操作相当于建立了如下数据：

切换成数据科学家的视角

好了，你现在是一名凡人了，所以你是不知道上帝手里的公式是什么样的，你只能靠观察，然后去猜。
这里我提出一个问题，你观察的数据会不会有噪音呢？
一定会有偏差啊，假设科比真的用了19天追求到了他的女朋友，可是你在做调查问卷的时候，他记错了，他记成了20，科比的颜值在上帝那里是71，在你采集数据的时候可能采集成70，这都是有可能的。这个没有办法，作为一名凡人平静接受就好了。

so，你真是拿到的数据集还需要加一下噪音：

noise = torch.randn(size=(1000,1))
noise[:3]

输出如下：

tensor([[-0.7166],
        [ 0.4368],
        [-0.0055]])

labels = labels + noise

labels[:3]

输出如下：

tensor([[75.4070],
        [63.9435],
        [72.6591]])

只是为了演示，所以我并未给features中添加噪音。那最后作为数据科学家你手里获得的数据是这个样子的：

加载数据

class myDataset(Dataset):
    def __init__(self, features, lables):
        self.features = features
        self.labels = labels

    def __getitem__(self, index):
        sample = (self.features[index], labels[index])
        
        return sample
    def __len__(self):
        return len(self.features)

batch_size = 5
train_features = features[:500]
train_labels = labels[:500]

test_features = features[500:]
test_labels = labels[500:]

train_dataset = myDataset(train_features, train_labels)
train_data_iter = DataLoader(train_dataset, batch_size=batch_size, shuffle=True, num_workers=4)
test_dataset = myDataset(test_features, test_labels)
test_data_iter = DataLoader(test_dataset, batch_size=batch_size, shuffle=True, num_workers=4)

#看到了吗？这个batch_size和刚才讲mse中的点相关。
for f, l in train_data_iter:
    print("features: {} labels: {}".format(f,l))
    break

输出如下：

features: tensor([[71.,  6., 22., 24.],
        [79.,  6., 26., 45.],
        [88.,  7., 11., 14.],
        [79.,  3., 13., 34.],
        [69.,  5.,  5., 41.]]) labels: tensor([[65.3587],
        [68.8864],
        [72.7446],
        [54.5244],
        [58.2802]])

好了，到此数据就准备好了，接下来我们将用线性回归破解上帝手中的公式了。