1. 导入库
import numpy as np #矩阵运算
import matplotlib.pyplot as plt #可视化
import random #产生数据扰动
2. 产生数据
拟合曲线 y = 2 × x2 + x + 1
X_m = np.mat([[i**2, i, 1] for i in range(-10,10)]) #矩阵类型,用于运算
y_m = np.mat([[2*x[0,0]+x[0,1]+1+random.normalvariate(0,1)] for x in X_m]) #矩阵类型,用于运算
X_a = np.asarray(X_m[:,1].T)[0] #array类型,用于可视化
y_a = np.asarray(y_m.T)[0] #array类型,用于可视化
plt.scatter(X_a, y_a) #显示数据
plt.show()
3. BGD
def BGD(X,y,w0,step,e): #批量梯度下降法
n=0
while n<=10000:
w1 = w0-step*X.T.dot(X.dot(w0)-y)/X.shape[0]
dw = w1-w0;
if dw.dot(dw.T)[0,0] <= e**2:
return w1
n += 1
w0 = w1
return w1
4. 计算
w_m = BGD(X_m,y_m,np.mat([[5],[3],[2]]),1e-4,1e-20) #可自行调参
w_a = np.asarray(w_m.T)[0]
print(w_a)
array([1.99458492, 0.91587829, 1.48498921])
5. 评价( R 2)
y_mean = y_a.mean()
y_pre = np.array([w_a[0]*x[0,0]+w_a[1]*x[0,1]+w_a[2] for x in X_m])
SSR = ((y_pre-y_mean)**2).sum()
SST = ((y_a-y_mean)**2).sum()
R2 = SSR/SST
print(R2)
0.9845542903194531
我们可以认为拟合效果不错。如果 R 2 R^{2} R2的值接近0,可能需要重新调参。
6. 结果展示
X = np.linspace(-10,10,50)
y = np.array([w_a[0]*x**2+w_a[1]*x+w_a[2] for x in X])
plt.scatter(X_a,y_a)
plt.plot(X,y)
plt.show()
到此这篇关于Python实现批量梯度下降法(BGD)拟合曲线的文章就介绍到这了,更多相关Python 批量梯度下降内容请搜索编程网以前的文章或继续浏览下面的相关文章希望大家以后多多支持编程网!