这篇文章主要为大家详细介绍了python实现机器学习之元线性回归，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
一、理论知识准备
1.确定假设函数
如：y=2x+7
其中，（x，y）是一组数据，设共有m个
2.误差cost
用平来源gao@daima#com搞(%代@#码网方误差代价函数
3.减小误差（用梯度下降）
二、程序实现步骤
1.初始化数据
x、y：样本
learning rate：学习率
循环次数loopNum：梯度下降次数
2.梯度下降
循环（循环loopNum次）：
（1）算偏导（需要一个for循环遍历所有数据）
（2）利用梯度下降数学式子
三、程序代码
import numpy as np def linearRegression(data_x,data_y,learningRate,loopNum): w,b=0,0 #梯度下降 for i in range(loopNum): w_derivative, b_derivative, cost = 0, 0, 0 for j in range(len(data_x)): wxPlusb=w*data_x[j]+b w_derivative+=(wxPlusb-data_y[j])*data_x[j] b_derivative+=wxPlusb-data_y[j] cost+=(wxPlusb-data_y[j])*(wxPlusb-data_y[j]) w_derivative=w_derivative/len(data_x) b_derivative=b_derivative/len(data_x) w = w - learningRate*w_derivative b = b - learningRate*b_derivative cost = cost/(2*len(data_x)) if i%100==0: print(cost) print(w) print(b) if __name__== "__main__": #_x:protected __x:private x=np.random.normal(0,10,100) noise=np.random.normal(0,0.05,100) y=2*x+7+noise linearRegression(x,y,0.01,5000)
四、输出
1.输出cost
可以看到，一开始的误差是很大的，然后减小了
最后几次输出的cost没有变化，可以将训练的次数减小一点
2.训练完的w和b
和目标w=2，b=7很接近
以上就是python实现机器学习之元线性回归的详细内容，更多请关注gaodaima搞代码网其它相关文章！
搞代码网（gaodaima.com）提供的所有资源部分来自互联网，如果有侵犯您的版权或其他权益，请说明详细缘由并提供版权或权益证明然后发送到邮箱[email protected]，我们会在看到邮件的第一时间内为您处理，或直接联系QQ：872152909。本网站采用BY-NC-SA协议进行授权
转载请注明原文链接：python实现机器学习之元线性回归
转载请注明原文链接：python实现机器学习之元线性回归
