迭代法写线性回归

Posted abc23

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了迭代法写线性回归相关的知识,希望对你有一定的参考价值。

import numpy as np

def compute_error_points(b, w, points):
total_error = 0
for i in range(0, len(points)):
x = points[i, 0]
y = points[i, 1]
# 计算均方误差
total_error += (y - (w * x + b)) ** 2
# 返回loss
return total_error / float(len(points))

def step_gradient(b_current, w_current, points, learning_rate):
b_gradient = 0
w_gradient = 0
N = float(len(points))
for i in range(0, len(points)):
x = points[i, 0]
y = points[i, 1]
# 求b的偏导
b_gradient += (2/N) * ((w_current * x + b_current) - y)
# 求w的偏导
w_gradient += (2/N) * x * ((w_current * x + b_current) - y)

new_b = b_current - (learning_rate * b_gradient)
new_w = w_current - (learning_rate * w_gradient)

# 返回迭代的b和w
return [new_b, new_w]

def gradient_descent_runner(points, starting_b, starting_w, learning_rate, num_iterations):
‘‘‘
:param points: data
:param starting_b: 开始的b
:param starting_w: 开始的w
:param learning_rate: 迭代率
:param num_iterations: 迭代次数
:return:
‘‘‘
b = starting_b
w = starting_w
# 迭代w和b
for i in range(num_iterations):
b, w = step_gradient(b, w, np.array(points), learning_rate)
return [b, w]

points = np.random.random(size=(100, 2))
b, w = gradient_descent_runner(points, 0, 0, 0.0001, 1000)
print(b, w)


以上是关于迭代法写线性回归的主要内容,如果未能解决你的问题,请参考以下文章

用SPSS进行非线性回归分析,结果却总显示迭代0次就达到最优解,初始值就是模拟结果,请教高手不知为何?

机器学习基石:09 Linear Regression

sklearn 线性回归中没有学习率和迭代次数

spss非线性回归分析步骤

在 Python 中输出绘图时迭代线性回归(SciPy 和 MatPlotLib)

r语言怎么做每一列和第一列线性回归