02 python 实现线性回归-一元线性回归-梯度下降_python单变量线性回归定义损失函数-优快云博客

本文链接：https://blog.youkuaiyun.com/oracle8090/article/details/125956091

这篇博客介绍了如何使用梯度下降法来拟合数据点，并通过Python实现这一过程。首先，从data.csv文件中导入数据，然后定义损失函数和梯度下降算法。在核心梯度下降函数中，计算每一步的权重和偏置更新。最后，通过绘制散点图和拟合曲线展示了算法的效果，并输出了最优的权重和偏置以及损失函数的变化趋势。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

α在梯度下降法中称作为学习率或者步长

需要通过控制α来控制每一步的距离，以保证不要走的太快，错过最低点，也要同时保证速度不能走的太慢

import numpy as np
import matplotlib.pyplot as plt
## 1. 导入数据data.csv
points = np.genfromtxt('data.csv',delimiter=',')

## points 二维数组
##[[ 32.50234527,  31.70700585],
##[ 53.42680403,  68.77759598]]

## 提取points 中的两列数据，分别作为x,y 
x=points[:,0]##第一列 
y=points[:,1]##第二列

## 用plt画出散点图 

plt.scatter(x,y)
plt.show()

### 2.定义损失函数
#损失函数是系数的函数，另外还要传入数据的x,y 
def compute_cost(w,b,points):
    total_cost = 0 
    M = len(points)
    
    # 逐点计算平方损失误差，然后求平均数
    for i in range(M):
        x = points[i,0]
        y = points[i,1]
        total_cost+= (y - w*x - b)**2
        
    return total_cost/M

## 3.定义模型的超参数

alpha=0.0001
initial_w = 0  #初始值
initial_b = 0 
num_iter = 10  #迭代次数

## 4.定义核心梯度下降算法函数

def grad_desc(points,initial_w,initial_b,alpha,num_iter):
    w = initial_w
    b = initial_b 
    # 定义一个list保存所有的损失函数值，用来显示下降的过程 
    cost_list = []
    
    for i in range(num_iter):
        cost_list.append(compute_cost(w,b,points))
        w ,b = step_grad_desc(w,b,alpha,points) ##每一步的梯度下降
    
    return [w,b,cost_list]

def step_grad_desc(current_w,current_b,alpha,points):
    sum_grad_w = 0 
    sum_grad_b = 0 
    M = len(points)
    
    # 对每个点带入公式就和
    for i in range(M):
        x = points[i,0]
        y = points[i,1]
        sum_grad_w += ( current_w * x + current_b - y)* x 
        sum_grad_b += ( current_w * x + current_b - y)
        
    # 用公式求当前梯度 
    grad_w = 2/M * sum_grad_w 
    grad_b = 2/M * sum_grad_b
    
    #梯度下降,更新当前的w和b
    update_w = current_w - alpha*grad_w 
    update_b = current_b - alpha*grad_b 
    print(grad_w,"--------",grad_b,"-------",update_w,"------",update_b)
    return update_w,update_b

## 5.测试：运行梯度下架算法计算最优的W 和 b

w,b,cost_list =grad_desc(points,initial_w,initial_b,alpha,num_iter)

print("w is :",w)
print("b is :",b)

cost = compute_cost(w,b,points)
print("cost is ",cost)
plt.plot(cost_list) # 不指定x,y的话，默认下标为x轴，值为y轴
plt.show()

## 6. 画出拟合曲线
plt.scatter(x,y) ##散点图
# 针对每一个x,计算出预测的y值
pred_y = w * x + b

plt.plot(x,pred_y,c='r') ##点图
plt.show()