0410代码实现损失函数的参数求解

谁践踏了优雅 2022-02-21 05:05 173阅读 0赞

### 代码实现损失函数的参数求解 ###

*  一、正规方程组法
 *  二、使用sklearn方式求解
 *  三、批量梯度下降法
 *  四、随机梯度下降

# 一、正规方程组法 #

import numpy as np
    import matplotlib.pyplot as plt
    
    X = 2 * np.random.rand(100,1)   #rand(100,1)生成100个1维的随机均匀分布
    y = 4 + 3 * X + np.random.randn(100,1)   #randn()生成标准正态分布
    
    #整合X0和X1
    X_b = np.c_[np.ones((100,1)),X]
    print(X_b)
    
    #常规等式求解theta
    theta_best = np.linalg.inv(X_b.T.dot(X_b)).dot(X_b.T).dot(y)  #inv()inverse求逆
    print(theta_best)  #W0 W1  速度快但不适合数据量大的求解
    
    #创建测试集里面的X1
    X_new = np.array([[0],
                      [2]])
    X_new_b = np.c_[(np.ones((2,1))),X_new]
    print(X_new_b)
    y_predict = X_new_b.dot(theta_best)
    print(y_predict)
    
    plt.plot(X_new,y_predict,'r-')  #预测结果
    plt.plot(X,y,'b.') #真实值
    plt.axis([0,2,0,15])
    plt.show()

输出结果：w0=4.32649351,w1=2.83991238  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0d1aWFiYmV5_size_16_color_FFFFFF_t_70]

# 二、使用sklearn方式求解 #

import numpy as np
    from sklearn.linear_model import LinearRegression
    X = 2 * np.random.rand(100,1)
    y = 4 + 3 * X + np.random.randn(100,1)
    
    lin_reg = LinearRegression()
    lin_reg.fit(X,y)
    print(lin_reg.intercept_,lin_reg.coef_)  #输出模型的斜率和截距
    
    X_new = np.array([[0],[2]])
    print(lin_reg.predict(X_new))

输出结果：w0=4.2259848,w1=2.72704983

# 三、批量梯度下降法 #

import numpy as np
    X = 2 * np.random.rand(100,1)
    y = 4 + 3 * X + np.random.randn(100,1)
    X_b = np.c_[np.ones((100,1)),X]
    
    learning_rate = 0.1
    n_iterations = 1000
    m = 100
    #初始化theta,w0...wn
    theta = np.random.randn(2,1)
    count = 0
    #4、不会设置阈值，设置超参数迭代次数，迭代次数到了我们就认为收敛了
    for interation in range(n_iterations):
        count += 1
        #2、求梯度
        gradients = 1/m * X_b.T.dot(X_b.dot(theta)-y)
        #3、调整theta
        theta = theta - learning_rate * gradients
    print(count)
    print(theta)

输出结果：w0=3.98391228,w1=2.88496664

# 四、随机梯度下降 #

下面代码里面除了随机抽取一条数据来求解梯度，还随着迭代次数的增多，不断减小步长（学习率）  
为了让越接近最优解的时候，调整幅度越小，避免来回震荡！  
调整的幅度取决于学习率和梯度，梯度事实上越接近最优解，梯度绝对值越小。因此如果不人为的调小步长，调整的幅度会自动减小。

import numpy as np
    X = 2 * np.random.rand(100,1)
    y = 4 + 3 * X + np.random.randn(100,1)
    X_b = np.c_[np.ones((100,1)),X]
    
    n_epochs = 500
    t0, t1 = 5, 50  #超参数
    m = 100
    
    def learning_schedule(t):  #随着迭代次数的增加，学习率逐渐减小。即使学习率不变，随着迭代次数的增加，梯度也在不断的变化
        return t0 / (t + t1)
    
    theta = np.random.randn(2,1)
    for epoch in range(n_epochs):
        for i in range(m):
            random_index = np.random.randint(m)
            xi = X_b[random_index:random_index+1]
            yi = y[random_index:random_index+1]
            gradients = 2 * xi.T.dot(xi.dot(theta)-yi)
            learning_rate = learning_schedule(epoch*i + i)
            theta = theta - learning_rate * gradients
    print(theta)

输出结果：w0=4.35270807,w1=3.00822779

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0d1aWFiYmV5_size_16_color_FFFFFF_t_70]: /images/20220221/8a711752d2514319a58d70816c771a21.png