ICode9

精准搜索请尝试: 精确搜索
首页 > 编程语言> 文章详细

神经网络与深度学习(邱锡鹏)编程练习 2 题目解析

2022-05-30 11:34:43  阅读:135  来源: 互联网

标签:__ plt 函数 pred 编程 神经网络 train test 邱锡鹏


线性回归的参数优化:

  • 先完成最小二乘法的优化 (参考书中第二章 2.3中的公式)
  • 再完成梯度下降法的优化 (参考书中第二章 2.3中的公式)

不同的基函数实现:

  • 多项式基函数
  • 高斯基函数

函数:

  • 载入数据:load_data(filename)
  • 基函数: identity_basis(x) multinomial_basis(x, feature_num=10) gaussian_basis x, feature_num=10)
  • 训练模型:main(x_train, y_train) 返回从x到y的映射
  • 评估模型:evaluate(ys, ys_pred)

主程序:

# 程序主入口(建议不要改动以下函数的接口)
if __name__ == '__main__':
    train_file = 'train.txt'
    test_file = 'test.txt'
    # 载入数据
    x_train, y_train = load_data(train_file)
    x_test, y_test = load_data(test_file)
    print(x_train.shape)
    print(x_test.shape)
# 使用线性回归训练模型,返回一个函数f()使得y = f(x)
f = main(x_train, y_train)

y_train_pred = f(x_train)
std = evaluate(y_train, y_train_pred)
print('训练集预测值与真实值的标准差:{:.1f}'.format(std))

# 计算预测的输出值
y_test_pred = f(x_test)
# 使用测试集评估模型
std = evaluate(y_test, y_test_pred)
print('预测值与真实值的标准差:{:.1f}'.format(std))

#显示结果
plt.plot(x_train, y_train, 'ro', markersize=3)

plt.plot(x_test, y_test, 'k')

plt.plot(x_test, y_test_pred, 'k')
plt.xlabel('x')
plt.ylabel('y')
plt.title('Linear Regression')
plt.legend(['train', 'test', 'pred'])
plt.show()</code></pre>

 

标签:__,plt,函数,pred,编程,神经网络,train,test,邱锡鹏
来源: https://www.cnblogs.com/hbuwyg/p/16326163.html

本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享;
2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关;
3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关;
4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除;
5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

专注分享技术,共同学习,共同进步。侵权联系[81616952@qq.com]

Copyright (C)ICode9.com, All Rights Reserved.

ICode9版权所有