python实现机器学习之多元线性回归
程序员文章站
2022-06-02 23:10:38
总体思路与一元线性回归思想一样,现在将数据以矩阵形式进行运算,更加方便。
下面是多元线性回归用python实现的代码:
import numpy as...
总体思路与一元线性回归思想一样,现在将数据以矩阵形式进行运算,更加方便。
下面是多元线性回归用python实现的代码:
import numpy as np def linearregression(data_x,data_y,learningrate,loopnum): w = np.zeros(shape=[1, data_x.shape[1]]) # w的shape取决于特征个数,而x的行是样本个数,x的列是特征值个数 # 所需要的w的形式为 行=特征个数,列=1 这样的矩阵。但也可以用1行,再进行转置:w.t # x.shape[0]取x的行数,x.shape[1]取x的列数 b = 0 #梯度下降 for i in range(loopnum): w_derivative = np.zeros(shape=[1, data_x.shape[1]]) b_derivative, cost = 0, 0 wxplusb = np.dot(data_x, w.t) + b # w.t:w的转置 w_derivative += np.dot((wxplusb - data_y).t, data_x) # np.dot:矩阵乘法 b_derivative += np.dot(np.ones(shape=[1, data_x.shape[0]]), wxplusb - data_y) cost += (wxplusb - data_y)*(wxplusb - data_y) w_derivative = w_derivative / data_x.shape[0] # data_x.shape[0]:data_x矩阵的行数,即样本个数 b_derivative = b_derivative / data_x.shape[0] w = w - learningrate*w_derivative b = b - learningrate*b_derivative cost = cost/(2*data_x.shape[0]) if i % 100 == 0: print(cost) print(w) print(b) if __name__== "__main__": x = np.random.normal(0, 10, 100) noise = np.random.normal(0, 0.05, 20) w = np.array([[3, 5, 8, 2, 1]]) #设5个特征值 x = x.reshape(20, 5) #reshape成20行5列 noise = noise.reshape(20, 1) y = np.dot(x, w.t)+6 + noise linearregression(x, y, 0.003, 5000)
特别需要注意的是要弄清:矩阵的形状
在梯度下降的时候,计算两个偏导值,这里面的矩阵形状变化需要注意。
梯度下降数学式子:
以代码中为例,来分析一下梯度下降中的矩阵形状。
代码中设了5个特征。
wxplusb = np.dot(data_x, w.t) + b
w是一个1*5矩阵,data_x是一个20*5矩阵
wxplusb矩阵形状=20*5矩阵乘上5*1(w的转置)的矩阵=20*1矩阵
w_derivative += np.dot((wxplusb - data_y).t, data_x)
w偏导矩阵形状=1*20矩阵乘上 20*5矩阵=1*5矩阵
b_derivative += np.dot(np.ones(shape=[1, data_x.shape[0]]), wxplusb - data_y)
b是一个数,用1*20的全1矩阵乘上20*1矩阵=一个数
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。
上一篇: 浪漫的地带