導(dǎo)入所需庫
%matplotlib inline
import sympy
import numpy as np
import matplotlib.pyplot as plt
from sympy.abc import x as a,y as b
生成模擬數(shù)據(jù)
# 模擬函數(shù) y=3x-1
#自變量
x=np.linspace(-5,5,num=1000)
#加入噪聲
noise=np.random.rand(len(x))*2-1
#因變量
y=3*x-1+noise
查看所生成數(shù)據(jù)的圖像
plt.figure(figsize=(10,10))
plt.scatter(x,y,s=1)
求代價函數(shù)的偏導(dǎo)
y=ax+b #目標函數(shù)
e=1/2*Σ([axi+b]-yi)^2 #代價函數(shù)，求使得代價函數(shù)為最小值時，對應(yīng)的a和b
對a求偏導(dǎo)->Σ(axi+b-yi)*xi
對b求偏導(dǎo)->Σ(axi+b-yi)
1. 通過最小二乘法求a，b
我們知道當在a,b處的偏導(dǎo)為0時，代價函數(shù)e達到最小值，所以得到二元一次方程組
Σ(axi+b-yi)*xi=0
Σ(axi+b-yi)=0
該方程組是關(guān)于未知數(shù)為a,b的二元一次方程組，通過求解該方程，得到a，b
result=sympy.solve([
np.sum((a*x+b-y)*x),
np.sum(a*x+b-y)],[a,b])
print(result) #{x: 3.01182977621975, y: -1.00272253325765}
通過sympy庫解方程組，得出了a= 3.01182977621975，b= -1.00272253325765，已經(jīng)與我們真實的a，b很接近了，下面進行作圖
plt.figure(figsize=(10,10))
plt.scatter(x,y,s=1)
plt.plot(x,result[a]*x+result[b],c='red')
print(type(a),type(b)) #class 'sympy.core.symbol.Symbol'> class 'sympy.core.symbol.Symbol'>
2. 通過梯度下降算法求a，b
我們注意到最小二乘法最后一步要求p個方程組，是非常大的計算量，其實計算起來很難，因此我們就有了一種新的計算方法，就是梯度下降法，梯度下降法可以看作是 更簡單的一種 求最小二乘法最后一步解方程 的方法
# 注意這里覆蓋了sympy.abc的a和b
# 設(shè)定a和b的起始點
a,b=0.1,0.1
#步長，也稱作學(xué)習(xí)率
alpha=0.00001
#循環(huán)一千次結(jié)束
for i in range(1000):
a-=alpha*np.sum((a*x+b-y)*x)
b-=alpha*np.sum(a*x+b-y)
print(a,b) #3.0118297762197526 -1.002674927350334
通過梯度下降法，得出了a= 3.0118297762197526，b= -1.002674927350334，也是很接近真實的a，b值了，作圖看看
plt.figure(figsize=(10,10))
plt.scatter(x,y,s=1)
plt.plot(x,a*x+b,c='black')
print(type(a),type(b)) #class 'numpy.float64'> class 'numpy.float64'>
到此這篇關(guān)于利用Python實現(xiàn)最小二乘法與梯度下降算法的文章就介紹到這了,更多相關(guān)Python最小二乘法與梯度下降內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- python中最小二乘法詳細講解
- Python實現(xiàn)曲線擬合的最小二乘法
- 最小二乘法及其python實現(xiàn)詳解
- python實現(xiàn)最小二乘法線性擬合
- Python最小二乘法矩陣
- Python 普通最小二乘法(OLS)進行多項式擬合的方法
- Python基于最小二乘法實現(xiàn)曲線擬合示例
- Python中實現(xiàn)最小二乘法思路及實現(xiàn)代碼
- python中matplotlib實現(xiàn)最小二乘法擬合的過程詳解
