梯度下降代码

最新推荐文章于 2025-03-22 13:06:00 发布

换一个不容易被看出来的名字

最新推荐文章于 2025-03-22 13:06:00 发布

阅读量425

点赞数 1

文章标签：机器学习回归

本文链接：https://blog.youkuaiyun.com/rice_balls_/article/details/125824973

版权

这篇博客介绍了机器学习中的梯度下降算法，通过代码实现和可视化来阐述其工作原理。首先讲解了meshgrid的概念，然后详细展示了梯度下降函数的编写，并提供了数据可视化的结果，包括数据的scatter图、一维梯度下降的轨迹以及3D曲面的可视化。数据来源于pga.csv文件，包含distance和accuracy两列。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1 前言：我不会的

meshgrid

功能：坐标转网格！

2 代码

参考这里的这是我见过最简单的【机器学习经典算法入门】教程！12个机器学习算法一次学到饱！——人工智能、机器学习、神经网络、支持向量机_哔哩哔哩_bilibili

梯度下降函数部分

#二维梯度下降
def gradient_descent(x,y,alpha=0.1,theta0=0,theta1=0):
    #初始化各参数
    max_epochs=1000
    counter=0
    c=cost(theta1,theta0,pga.distance,pga.accuracy)
    costs=[c]
    conver_thres=0.000001
    cprev=c+10
    # 保存theta
    theta0s=[theta0]
    theta1s=[theta1]

    #要么两次结果很近（小于阈值），要么迭代次数超过max次数
    while(np.abs(cprev-c)>conver_thres)and(counter<max_epochs):
        cprev=c

        #下降多少
        update0=alpha*partial_cost_thetal0(theta0,theta1,x,y)
        update1=alpha*partial_cost_thetal1(theta0,theta1,x,y)
        # 更新两个参数
        theta0-=update0
        theta1-=update1

        #保存theta
        theta0s.append(theta0)
        theta1s.append(theta1)
        counter+=1

        #计算新的cost
        c=cost(theta0,theta1,pga.distance,pga.accuracy)

        #保存更新后的cost
        costs.append(c)
        counter+=1

    return {'theta0':theta0,'theta1':theta1,'costs':costs}

汇总（包含可视化）

import pandas as pd
import matplotlib.pyplot as plt
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import  LinearRegression
import numpy as np

#读取数据
pga=pd.read_csv(&#

最低0.47元/天解锁文章