【无标题】刘二大人第一讲——线性模型

#数据

x(hours)	y (points)
1	2
2	4
3	6
4	…

为了模型有更好的泛化能力，在除训练集和测试集外，要添加一个验证集
#模型
线性模型：

简化后线性模型（去掉截距项）：

#策略
单个样本损失：

损失函数使用平方是因为损失有正有负
平均损失：

目标：找到一个w，使平均损失（即预测值与真实值的误差）降到最低，趋近于0。
代码（简化线性模型）

import numpy as np
import matplotlib.pyplot as plt

x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]#输入数据集


def forward(x):        #定义模型
    return x * w


def loss(x, y):        #定义单个样本损失函数
    y_pred = forward(x)
    return (y_pred - y) ** 2  #return (y_pred - y)*(y_pred - y)

调用库函数
输入数据集
定义模型：f(x)=x*w
定义损失函数：loss=(y_pred-y)^2

w_list = []
mse_list = []
for w in np.arange(0.0, 4.1, 0.1):
    print("w=", w)
    l_sum = 0
    for x_val, y_val in zip(x_data, y_data):
        y_pred_val = forward(x_val)
        loss_val = loss(x_val, y_val)
        l_sum += loss_val
        print('\t', x_val, y_val, y_pred_val, loss_val)
    print('MSE=', l_sum / 3)
    w_list.append(w)
    mse_list.append(l_sum / 3)

plt.plot(w_list, mse_list)
plt.ylabel('Loss')
plt.xlabel('w')
plt.show()

把权重w和平均损失esm保存在列表中
使用for循环，w从0到4.1每隔0.1取值
打印w值，loss_sum初值为0
for循环使用zip()函数调用数据
最后把loss_val累加后得到l_sum
最后得出MSE
#结果

当w=2是，损失函数值达到最低

作业：标准线性模型

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

x_data=[1.0,2.0,3.0]
y_data=[3.0,5.0,9.0]

def forward(x):
    return x * w + b

def loss(x,y):
    y_pred = forward(x)
    return (y_pred - y) ** 2

mse_list = []
W=np.arange(0,4.1,0.1)
B=np.arange(0,4.1,0.1)
[w,b]=np.meshgrid(W,B)

l_sum=0  #loss_sum,损失函数和
for x_val, y_val in zip(x_data, y_data):   #zip()函数用于将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的列表。
    y_pred_val = forward(x_val)
    loss_val = loss(x_val, y_val)
    l_sum += loss_val

fig = plt.figure()
ax = Axes3D(fig)
ax.plot_surface(w,b,l_sum/3)
plt.show()