标签：plt gradient self random np lr 线性 手写 Sklearn

手写线性回归

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
X = np.linspace(2,10,20).reshape(-1,1)
y = np.random.randint(1,6,size = 1)*X + np.random.randint(-5,5,size = 1)
#噪声 加盐
y += np.random.randn(20,1)*0.8
plt.scatter(X,y,color = "red")

w = lr.coef_[0,0]
b = lr.intercept_[0]
print(w,b)
plt.scatter(X,y)
x = np.linspace(1,11,50)
plt.plot(x,w*x + b,color= "green")

结果：

2.995391527138711 1.9801931425932864

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
 
X = np.linspace(2, 10, 20).reshape(-1,1)
# f(x) = wx + b
y = np.random.randint(1, 6, size=1)*X + np.random.randint(-5, 5, size=1)
# 噪声，加盐
y += np.random.randn(20, 1)*0.8

plt.scatter(X, y, color = 'red')

w = lr.coef_[0, 0]
b = lr.intercept_[0]

x = np.linspace(1, 11, 50)
plt.plot(x, w*x + b, color='green')


# 使用梯度下降解决一元一次的线性问题：w，b
class LinearModel(object):
    def __init__(self):
        self.w = np.random.randn(1)[0]
        self.b = np.random.randn(1)[0]
    # 数学建模：将数据X和目标值关系用数学公式表达
    def model(self,x):#model 模型，f(x) = wx + b
        return self.w*x + self.b
    def loss(self,x,y):#最小二乘
        cost = (y - self.model(x))**2
    # 梯度就是偏导数，求解两个未知数：w，b
        gradient_w = 2*(y - self.model(x))*(-x)
        gradient_b = 2*(y - self.model(x))*(-1)
        return cost,gradient_w,gradient_b
    # 梯度下降
    def gradient_descent(self,gradient_w,gradient_b,learning_rate = 0.1):
    # 更新w，b
        self.w -= gradient_w*learning_rate
        self.b -= gradient_b*learning_rate
    # 训练fit
    def fit(self,X,y):
        count = 0 #算法执行优化了3000次，退出
        tol = 0.0001
        last_w = self.w + 0.1
        last_b = self.b + 0.1
        length = len(X)
        while True:
            if count > 3000:#执行的次数到了
                break
    # 求解的斜率和截距的精确度达到要求
            if (abs(last_w - self.w) < tol) and (abs(last_b - self.b) < tol):
                break
            cost = 0
            gradient_w = 0
            gradient_b = 0
            for i in range(length):
                cost_,gradient_w_,gradient_b_ = self.loss(X[i,0],y[i,0])
                cost += cost_/length
                gradient_w += gradient_w_/length
                gradient_b += gradient_b_/length
            print('---------------------执行次数：%d。损失值是：%0.2f'%(count,cost))
            last_w = self.w
            last_b = self.b
            # 更新截距和斜率
            self.gradient_descent(gradient_w,gradient_b,0.01)
            count+=1
    def result(self):
        return self.w,self.b

lm = LinearModel()
lm.fit(X,y)
lm.result()

结果：

(2.9489680632625297, 2.2698211503362224)

plt.scatter(X,y,color = "red")
plt.plot(x,2.94896*x + 2.2698211,color= "green")
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']
plt.title("自定义的算法拟合曲线")

二元一次拟合

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

#f(x)w = w1*x**2 + w2*x + b
#一元二次

#f(x1,x2) = w1*x1 + w2*x2 +b
#二元一次

X = np.linspace(0,10,num = 50).reshape(-1,1)
X = np.concatenate([X**2,X],axis = 1)
X.shape

w = np.random.randint(1,10,size = 2)
b = np.random.randint(-5,5,size = 1)

#矩阵乘法
y = X.dot(w) + b

plt.plot(X[:,1],y,c="r")
plt.title("w1:%d.w2:%d.w3:%d"%(w[0],w[1],b[0]))

结果： 

Text(0.5, 1.0, 'w1:7.w2:1.w3:-5')

 

#使用sklearn自带的算法进行预测
from sklearn.linear_model import LinearRegression
lr = LinearRegression()
lr.fit(X,y)
print(lr.coef_,lr.intercept_)
plt.scatter(X[:,1],y,marker = "*")

x = np.linspace(-2,12,100)
plt.plot(x,7*x**2 + 1*x + -4.99,c="g")

 结果：

[7. 1.] -4.999999999999972

 

手写线性回归，拟合多属性，多元方程 

# epoch 训练的次数，梯度下降训练多少
def gradient_descent(X,y,lr,epoch,w,b):
    # 一批量多少，长度
    batch = len(X)
    for i in range(epoch):
    # d_lost:是损失的梯度
        d_loss = 0
    # 梯度，斜率梯度
        dw = [0 for _ in range(len(w))]
    # 截距梯度
        db = 0
        for j in range(batch):
            y_ = 0 #预测的值 预测方程 y_ = f(x) = w1*x1 + w2*x2 + b
            for n in range(len(w)):
                y_ += X[j][n]*w[n]
            y_ += b
    # (y - y_)**2 -----> 2*(y - y_)*(-1)
    # (y_- y)**2  -----> 2*(y_ - y)*(1)
            d_loss = -(y[j] - y_)
            for n in range(len(w)):
                dw[n] += X[j][n]*d_loss/float(batch)
            db += 1*d_loss/float(batch)
    # 更新一下系数和截距，梯度下降
        for n in range(len(w)):
            w[n] -= dw[n]*lr[n]
        b -= db*lr[0]
    return w,b

lr = [0.0001,0.001]
w = np.random.randn(2)
b = np.random.randn(1)[0]
gradient_descent(X,y,lr,500,w,b)

 结果：

(array([ 7.18689265, -1.25846592]), 0.6693960269813103)

plt.scatter(X[:,1],y,marker = "*")
plt.plot(x,7.1868*x**2 - 1.2584*x + 0.6694,c="g")

 

 继续优化

1. x的num变大，从50变成500
2. 学习率调小

标签：plt,gradient,self,random,np,lr,线性,手写,Sklearn
来源： https://blog.csdn.net/Grateful_Dead424/article/details/121103086

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。