ML之UliR:利用非线性回归,梯度下降法(迭代十万次)求出学习参数θ,进而求得Cost函数最优值
2023-09-14 09:04:45 时间
ML之UliR:利用非线性回归,梯度下降法(迭代十万次)求出学习参数θ,进而求得Cost函数最优值
目录
输出结果
更新……
代码设计
import numpy as np
import random
def genData(numPoints,bias,variance):
x = np.zeros(shape=(numPoints,2))
y = np.zeros(shape=(numPoints))
for i in range(0,numPoints):
x[i][0]=1
x[i][1]=i
y[i]=(i+bias)+random.uniform(0,1)%variance
return x,y
def gradientDescent(x,y,theta,alpha,m,numIterations):
xTran = np.transpose(x)
for i in range(numIterations):
hypothesis = np.dot(x,theta)
loss = hypothesis-y
cost = np.sum(loss**2)/(2*m)
gradient=np.dot(xTran,loss)/m
theta = theta-alpha*gradient
print ("Iteration %d | cost :%f" %(i,cost))
return theta
x,y = genData(100, 25, 10) #100行,
print ("x:")
print (x)
print ("y:")
print (y)
m,n = np.shape(x)
n_y = np.shape(y)
print("m:"+str(m)+" n:"+str(n)+" n_y:"+str(n_y))
numIterations = 100000
alpha = 0.0005
theta = np.ones(n)
theta= gradientDescent(x, y, theta, alpha, m, numIterations)
print(theta)
相关文章
ML之UliR:利用非线性回归,梯度下降法(迭代十万次)求出学习参数θ,进而求得Cost函数最优值
相关文章
- Python学习--07迭代器、生成器
- Caffe学习系列(11):数据可视化环境(python接口)配置
- freemarker学习 (servlet + freemarker -> Struts2+freemarker -> springMVC+freemarker)
- wiki还是复利的思想,不断的更新迭代,需要学习并实践
- 【学习总结】网络-应用层-万维网和HTTP
- wiki还是复利的思想,不断的更新迭代,需要学习并实践
- 机器学习笔记 - 在IdenProf数据集上训练深度残差网络ResNet50
- 【PyTorch】教程:对抗学习实例生成
- 80期:史上最全的“大数据”学习资源
- ARM首版基于CMSIS-DSP的单片机机器学习库教程发布(2020-04-16)
- Python语言学习:Python语言学习之迭代/递归/OS输入输出/错误&异常处理的简介、案例应用之详细攻略
- 机器学习常识(二):7 个最常见的机器学习损失函数
- 数学建模学习(44):重温一元与多元线性回归模型
- Python学习25:迭代器
- 【人工智能 AI】机器学习教程:如何降低模型损失?迭代方法与梯度下降方法
- git学习笔记(三)—— 远程仓库
- 高等数值计算方法学习笔记第6章【解线性代数方程组的迭代方法(高维稀疏矩阵)】
- 强化学习笔记:基于策略的学习之策略迭代(python实现)
- 强化学习笔记:基于价值的学习之价值迭代(python实现)
- 深度学习可以求解特定函数的参数么?