梯度下降法 一元線性回歸

import numpy as np

import matplotlib.pyplot as plt
# 載入資料
data = np.genfromtxt(
"data.csv"
, delimiter=
",")
x_data = data[:,
0]y_data = data[:,
1]plt.scatter(x_data, y_data)
plt.show(
)

# 學習率learning rate

lr =
0.0001
# 截距
b =0
# 斜率
k =0
# 最大迭代次數
epochs =
50# 最小二乘法
defcompute_error
(b, k, x_data, y_data)
:	totalerror =
0for i in
range(0
,len
(x_data)):
totalerror +=
(y_data[i]
-(k*x_data[i]
+b))**2
return totalerror/
float
(len
(x_data))/
2def
gradient_descent_runner
(x_data, y_data, b, k, lr, epochs)
:# 計算總資料量
m =float
(len
(x_data)
)# 迴圈epochs次
for i in
range
(epochs)
:		b_grad =
0		k_grad =
0# 計算梯度的總和再求平均
for j in
range(0
,len
(x_data)):
b_grad +=(1
/m)*((
(k*x_data[j]
)+b)
-y_data[j]
)			k_grad +=(1
/m)*x_data[j]*(
((k*x_data[j]
)+b)
-y_data[j]
)# 更新b和k值
b = b -
(lr*b_grad)
k = k -
(lr*k_grad)
# 每迭代5次，輸出一次影象
if i%5==
0:print
("epochs:"
, i)
plt.plot(x_data, y_data,
'b.'
)			plt.plot(x_data, k*y_data+b,
'r')
plt.show(
)return b,k

梯度下降法 一元線性回歸

import numpy as np import matplotlib.pyplot as plt 載入資料,delimite表示分隔符為逗號 data np.genfromtxt data.csv delimiter x data data 0 y data data 1 plt.scatter...

1 回歸 一元線性回歸 代價函式 梯度下降法

1 回歸是達爾文表弟發現的，就是說人類總體有乙個平均身高。那個高個子生的孩子都個高，矮的孩子生的矮。但是他們的下一代大部分都往平均身高長，也就是說特別高的人，他們的孩子會很高，但是往往比他們自己矮。特別矮的人他們生的孩子會矮一些，但是會比自己的父母高，他們都有這種趨勢。表弟管這個叫做回歸。2 一元線...

機器學習演算法基礎 梯度下降法求一元線性回歸

import numpy as np import matplotlib.pyplot as plt 載入資料 data np.genfromtxt c ml chapter 1 data.csv delimiter x data data 0 y data data 1 plt.scatter x...