#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()