贵安新区网站建设推广,公需道德与能力建设培训网站,企业网站怎样做,南昌网站建设维护#x1f680;个人主页#xff1a;为梦而生~ 关注我一起学习吧#xff01; #x1f4a1;专栏#xff1a;机器学习python实战 欢迎订阅#xff01;后面的内容会越来越有意思~ ⭐内容说明#xff1a;本专栏主要针对机器学习专栏的基础内容进行python的实现#xff0c;部分… 个人主页为梦而生~ 关注我一起学习吧 专栏机器学习python实战 欢迎订阅后面的内容会越来越有意思~ ⭐内容说明本专栏主要针对机器学习专栏的基础内容进行python的实现部分基础知识不再讲解有需要的可以点击专栏自取~ 往期推荐机器学习基础专栏 【机器学习基础】机器学习入门1 【机器学习基础】机器学习入门2 【机器学习基础】机器学习的基本术语 【机器学习基础】机器学习的模型评估评估方法及性能度量原理及主要公式 【机器学习基础】一元线性回归适合初学者的保姆级文章 【机器学习基础】多元线性回归适合初学者的保姆级文章 ⭐本期内容针对以上的一元和多元线性回归的梯度下降求解方法进行代码展示 文章目录 一元线性回归多元线性回归 一元线性回归
设计思路
首先class LinearRegression(object):定义一个LinearRegression类继承自object类。 在这个类中首先def __init__(self):定义类的构造函数。
在构造函数中初始化线性回归模型的参数self.__M、self.__theta0和self.__theta1以及梯度下降中的步长学习率self.__alpha。 线性回归模型是要不断计算输出的所以定义函数def predict(self, x)用于预测给定输入x对应的输出。
同时线性回归的目的是通过迭代不断的修改参数 θ \theta θ所以需要定义函数用来做这个工作它是通过梯度下降的方法来求解的所以def __cost_theta0(self, X, Y)和def __cost_theta1(self, X, Y)这两个方法用于计算代价函数关于参数 θ 0 \theta_0 θ0和 θ 1 \theta_1 θ1的偏导数。
下面def train(self, features, target)把上面的每个步骤和到了一起定义了一个训练方法train用于通过梯度下降算法找到最优的模型参数 θ 0 \theta_0 θ0和 θ 1 \theta_1 θ1的使得代价函数的平方误差最小。在训练过程中通过迭代更新参数并输出每次迭代后的参数值。
在while的每一次迭代中通过更新参数self.__theta0和self.__theta1来逐渐最小化代价函数的平方误差。
if 0:o.5f.format(prevt0) 0:o.5f.format(self.__theta0) and 0:o.5f.format(prevt1) 0:o.5f.format(self.__theta1):判断是否达到收敛条件即两次迭代的参数值没有改变如果满足条件则退出循环。
最后输出最终得到的参数值。 总体代码实现
定义LinearRegression的class
#!/usr/bin/env python3
# 这是一个Shebang指定了此脚本要使用的解释器为python3。
import numpyclass LinearRegression(object):# Constructor. Initailize Constants.def __init__(self):super(LinearRegression, self).__init__()self.__M 0self.__theta0 2self.__theta1 2# defining Alpha I.E length of steps in gradient descent Or learning Rate.self.__alpha 0.01def predict(self,x):return (self.__theta0 x * self.__theta1)# Cost Function fot theta0.def __cost_theta0(self,X,Y):sqrerror 0.0for i in range(0,X.__len__()):sqrerror (self.predict(X[i]) - Y[i])return (1/self.__M * sqrerror)# Cost Function fot theta1.def __cost_theta1(self,X,Y):sqrerror 0.0for i in range(0,X.__len__()):sqrerror (self.predict(X[i]) - Y[i]) * X[i]return (1/self.__M * sqrerror)# training Data :# Finding Best __theta0 and __theta1 for data such that the Squared Error is Minimized.def train(self,features,target):# Validate Dataif not features.__len__() target.__len__():raise Exception(features and target should be of same length)# Initailize M with Size of X and Yself.__M features.__len__()# gradient descentprevt0, prevt1 self.__theta0 , self.__theta1while True:tmp0 self.__theta0 - self.__alpha * (self.__cost_theta0(features,target))tmp1 self.__theta1 - self.__alpha * (self.__cost_theta1(features,target))self.__theta0, self.__theta1 tmp0, tmp1print(theta0(b) :, self.__theta0)print(theta1(m) :, self.__theta1)if 0:o.5f.format(prevt0) 0:o.5f.format(self.__theta0) and 0:o.5f.format(prevt1) 0:o.5f.format(self.__theta1):breakprevt0, prevt1 self.__theta0 , self.__theta1# Training Completed.# log __theta0 __theta1print(theta0(b) :, self.__theta0)print(theta1(m) :, self.__theta1)
样例测试
from LinearRegression_OneVariables import LinearRegression
import numpy as npX np.array([1,2,3,4,5,6,7,8,9,10])# Y 0 1X
Y np.array([1,2,3,4,5,6,7,8,9,10])modal LinearRegression.LinearRegression()modal.train(X,Y)print(modal.predict(14)) 多元线性回归
设计思路
首先将文件导入打乱顺序并选择训练集。
datapd.read_csv(c:\\windquality.csv)data_arraydata.values#shuffling for train test spplit
np.random.shuffle(data_array)train,testdata_array[:1200,:],data_array[1200:,:]
x_traintrain[:,:-1]
x_testtest[:,:-1]
y_traintrain[:,-1]
y_testtest[:,-1]然后初始化参数注意这里是多元的所以有多个参数需要初始化。包括迭代次数和学习率
coef10
coef20
coef30
coef40
coef50
coef60
coef70
coef80
coef90
coef100
coef110
epoch1000
alpha.0001然后使用梯度下降算法进行计算
总体代码实现
import pandas as pd
import numpy as np
import matplotlib.pyplot as pltdatapd.read_csv(c:\\windquality.csv)data_arraydata.values#shuffling for train test spplit
np.random.shuffle(data_array)train,testdata_array[:1200,:],data_array[1200:,:]
x_traintrain[:,:-1]
x_testtest[:,:-1]
y_traintrain[:,-1]
y_testtest[:,-1]coef10
coef20
coef30
coef40
coef50
coef60
coef70
coef80
coef90
coef100
coef110
epoch1000
alpha.0001
c0
nlen(y_train)
for i in range(epoch):y_pred((coef1*x_train[:,0])(coef2*x_train[:,1])(coef3*x_train[:,2])(coef4*x_train[:,3])(coef5*x_train[:,4])(coef6*x_train[:,5])(coef7*x_train[:,6])(coef8*x_train[:,7])(coef9*x_train[:,8])(coef10*x_train[:,9])(coef11*x_train[:,10])c)#to predict drivativeintercept(-1/n)*sum(y_train-y_pred)dev1(-1/n)*sum(x_train[:,0]*(y_train-y_pred))dev2(-1/n)*sum(x_train[:,1]*(y_train-y_pred))dev3(-1/n)*sum(x_train[:,2]*(y_train-y_pred))dev4(-1/n)*sum(x_train[:,3]*(y_train-y_pred))dev5(-1/n)*sum(x_train[:,4]*(y_train-y_pred))dev6(-1/n)*sum(x_train[:,5]*(y_train-y_pred))dev7(-1/n)*sum(x_train[:,6]*(y_train-y_pred))dev8(-1/n)*sum(x_train[:,7]*(y_train-y_pred))dev9(-1/n)*sum(x_train[:,8]*(y_train-y_pred))dev10-1/n*sum(x_train[:,9]*(y_train-y_pred))dev11-1/n*sum(x_train[:,10]*(y_train-y_pred))#linecc-alpha*interceptcoef1coef1-alpha*dev1coef2coef2-alpha*dev2coef3coef3-alpha*dev3coef4coef4-alpha*dev4coef5coef5-alpha*dev5coef6coef6-alpha*dev6coef7coef7-alpha*dev7coef8coef8-alpha*dev8coef9coef9-alpha*dev9coef10coef10-alpha*dev10coef11coef11-alpha*dev11print(\nintercept:,c,\ncoefficient1:,coef1,\ncoefficient2:,coef2,\ncoefficient3:,coef3,\ncoefficient4:,coef4,\ncoefficient5:,coef5,\ncoefficient6:,coef6,\ncoefficient7:,coef7,\ncoefficient8:,coef8,\ncoefficient9:,coef9,\ncoefficient10,coef10, \ncoefficient11,coef11)#Calculating the predicted values
predicted_values []
for i in range(0,399):y_pred ((coef1 * x_test[i,0]) (coef2 * x_test[i,1]) (coef3 * x_test[i,2]) (coef4 * x_test[i,3]) (coef5 * x_test[i,4]) (coef6 * x_test[i,5]) (coef7 * x_test[i,6]) (coef8 * x_test[i,7]) (coef9 * x_test[i,8]) (coef10 * x_test[i,9]) (coef11 * x_test[i,10]) intercept)predicted_values.append(y_pred)for i in range(len(predicted_values)):print(predicted_values[i])
