一、理論知識準備

1.確定假設函數

如：y=2x+7
其中，（x，y）是一組數據，設共有m個

2.誤差cost

用平方誤差代價函數

3.減小誤差（用梯度下降）

二、程序實現步驟

1.初始化數據

x、y：樣本
learning rate：學習率
循環次數loopNum：梯度下降次數

2.梯度下降

循環（循環loopNum次）：
（1）算偏導（需要一個for循環遍歷所有數據）
（2）利用梯度下降數學式子

三、程序代碼

import numpy as npdef 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、輸出

1.輸出cost

可以看到，一開始的誤差是很大的，然后減小了

最后幾次輸出的cost沒有變化，可以將訓練的次數減小一點

2.訓練完的w和b

和目標w=2，b=7很接近

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持武林站長站。