李宏毅机器学习回归demo代码

regina_2019

于 2019-07-28 11:25:10 发布

阅读量491

点赞数 2

CC 4.0 BY-SA版权

分类专栏：学习笔记文章标签：李宏毅机器学习回归demo regression demo 学习笔记

本文链接：https://blog.youkuaiyun.com/regina_2019/article/details/97612382

本文提供了李宏毅老师机器学习课程中缺失的回归demo代码，通过Python实现线性回归，展示了如何使用梯度下降法寻找最优参数，并引入了自适应学习率策略以加速收敛。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

李宏毅机器学习回归demo

李宏毅老师的课件里没有附上回归demo的code，经过整理后如下：

import numpy as np
import matplotlib.pyplot as plt

x_data=[338.,333.,328.,207.,226.,25.,170.,60.,208.,606.]
y_data=[640.,633.,619.,393.,428.,27.,193.,66.,226.,1591.]
x=np.arange(-200,-100,1)#bias
y=np.arange(-5,5,0.1)#weight
z=np.zeros((len(x),len(y)))
X,Y = np.meshgrid(x,y)

for i in range(len(x)):
 for j in range(len(y)):
  b=x[i]
  w=y[j]
  z[j][i] = 0
  for n in range(len(x_data)):
   z[j][i] = z[j][i] + (y_data[n] -b -w*x_data[n])**2
  z[j][i] = z[j][i]/len(x_data)

#ydata = b + w*xdata
b = -120 #initial b
w = -4
lr = 0.0000001 #learning rate
iteration = 1000000

#store initial values for plotting.
b_history = [b]
w_history = [w]

#iteration
for i in range(iteration):
    b_grad = 0.0
    w_grad = 0.0
    for n in range(len(x_data)):
        b_grad = b_grad - 2.0*(y_data[n] - b - w*x_data[n])*1.0
        w_grad = w_grad - 2.0*(y_data[n] - b - w*x_data[n])*x_data[n]

    #updata parameters
    b = b - lr*b_grad
    w = w