Shelter

CONTENT梯度下降法训练算法：使用梯度下降找到最佳参数分析数据：画出决策边界随机梯度下降算法改进的随机梯度下降算法梯度下降法假设有mmm组样本((x1,x2),y)((x^{1},x^{2}),y)((x1,x2),y)线性回归方程为：Y=w0⋅1+w1x1+w2x2Y=w_{0}\cdot1+w_{1}x^{1}+w_{2}x^{2}Y=w0​⋅1+w1​x1+w2​x2目标为最小化代价函数fmf_{m}fm​fm=∑i=1m(Yi−yi)2=∑i=1mYi2−2Yiyi+yi2f_{m

对未知类别属性中的数据集中的每个点依次执行以下操作：（1）计算已知类别数据集中的点与当前点之间的距离（2）按照距离递增排序（3）选取与当前距离最小的K个点（4）确定前K个点所在类别的出现频率（5）返回前K个点中出现频率最高的类别作为预测分类import numpy as npimport operatordef createDataSet():#创建数据集 group = np.array([[1.0, 1.1], [1.0, 1.0], [0, 0], [0, 0.1]])