这篇文章主要介绍了浅谈matplotlib 绘制梯度下降求解过程，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
机器学习过程中经常需要可视化，有助于加强对模型和参数的理解。
下面对梯度下降过程进行动图演示，可以修改不同的学习率，观看效果。
import numpy as np import matplotlib.pyplot as plt from IPython import display X = 2*np.random.rand(100,1) y = 4+3*X+np.random.randn(100,1) # randn正态分布 X_b = np.c_[np.ones((100,1)),X] # c_行数相等，左右拼接 eta = 0.1 # 学习率 n_iter = 1000 # 迭代次数 m = 100 # 样本点个数 theta = np.random.randn(2,1) # 参数初始值 plt.figure(figsize=(8,6)) mngr = plt.get_current_fig_manager() # 获取当前figure manager mngr.window.wm_geometry("+520+520") # 调整窗口在屏幕上弹出的位置，注意写在<p style="color:transparent">来源gao!%daima.com搞$代*!码$网</p>打开交互模式之前 # 上面固定窗口，方便screentogif定位录制，只会这种弱弱的方法 plt.ion()# 打开交互模式 plt.rcParams["font.sans-serif"] = "SimHei"# 消除中文乱码 for iter in range(n_iter): plt.cla() # 清除原图像 gradients = 2/m*X_b.T.dot(X_b.dot(theta)-y) theta = theta - eta*gradients X_new = np.array([[0],[2]]) X_new_b = np.c_[np.ones((2,1)),X_new] y_pred = X_new_b.dot(theta) plt.axis([0,2,0,15]) plt.plot(X,y,"b.") plt.plot(X_new,y_pred,"r-") plt.title("学习率：{:.2f}".format(eta)) plt.pause(0.3) # 暂停一会 display.clear_output(wait=True)# 刷新图像 plt.ioff()# 关闭交互模式 plt.show()
学习率：0.1，较合适
学习率：0.02，收敛变慢了
学习率：0.45，在最佳参数附近震荡
学习率：0.5，不收敛
以上就是浅谈matplotlib 绘制梯度下降求解过程的详细内容，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：浅谈matplotlib 绘制梯度下降求解过程
转载请注明原文链接：浅谈matplotlib 绘制梯度下降求解过程
