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 实验3 基函数回归(最小二乘法优化)

2022-05-30 16:31:54  阅读:202  来源: 互联网

标签:函数 编程 feature ret 神经网络 num np 邱锡鹏 axis


通过基函数对元素数据进行交换,从而将变量间的线性回归模型转换为非线性回归模型。

  1. 最小二乘法 + 多项式基函数
  2. 最小二乘法 + 高斯基函数
def identity_basis(x):
    ret = np.expand_dims(x, axis=1)
    return ret

def multinomial_basis(x, feature_num=10):
    x = np.expand_dims(x, axis=1) # shape(N, 1)
    feat = [x]
    for i in range(2, feature_num+1):
        feat.append(x**i)
    ret = np.concatenate(feat, axis=1)
    return ret

def gaussian_basis(x, feature_num=10):
    centers = np.linspace(0, 25, feature_num)
    width = 1.0 * (centers[1] - centers[0])
    x = np.expand_dims(x, axis=1)
    x = np.concatenate([x]*feature_num, axis=1)
    
    out = (x-centers)/width
    ret = np.exp(-0.5 * out ** 2)
    return ret

实验结果:

实验结果分析:

多项式回归(多项式基函数)比线性回归更好的拟合了数据

高斯基函数拟合效果比多项式基函数拟合效果更好

标签:函数,编程,feature,ret,神经网络,num,np,邱锡鹏,axis
来源: https://www.cnblogs.com/hbuwyg/p/16327226.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