梯度下降法实现线性回归下载

PIPI_333 2018-06-20 01:01:47

使用梯度下降法实现线性回归，使用的为matlab代码实现，最后生成3维gif动态演示图，演示损失函数随训练次数增加时的运行结果。代码中每个步骤都有详细注释。
相关下载链接：//download.csdn.net/download/buct_zc/10488093?utm_source=bbsseo

...全文

76 回复打赏收藏举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

线性回归梯度下降法 在选定线性回归模型后，只需要确定参数θ，就可以将模型用来预测。然而θ需要在J(θ)最小的情况下才能确定。因此问题归结为求极小值问题，使用梯度下降法。梯度下降法最大的问题是求得有可能是全局极小值，这与初始点的选取有关。 梯度下降法是按下面的流程进行的： 1）首先对θ赋值，这个值可以是随机的，也可以让θ是一个全零的向量。 2）改变θ的值，使得J(θ)按梯度下降的方向进行减少。梯度方

推导过程：代码实现(以一元为例)： # 简单线性回归（梯度下降法） # 0. 引入依赖 import numpy as np import matplotlib.pyplot as plt # 1. 导入数据（data.csv） points = np.genfromtxt('D:\学习资料\推荐系统\代码\练习代码\自己手打\data.csv', delimiter = ',') points[0, 0] # 提取points中的两列数据，分别作为x,y x = points[:, 0]

线性回归 1.单变量线性回归 // 单变量线性回归 import numpy as np import matplotlib.pyplot as plt #读取数据加载数据 data = np.loadtxt('ex1data1.txt', delimiter=',') x = data[:, :-1] y = data[:, -1:] X = np.insert(x, 0, 1, axis=1) #前向传播 def model(theta, X): h = np.dot(X, theta)

构建网络，初始化参数w和b，定义预测和损失函数的计算方法。随机选择初始点，建立梯度的计算方法和参数更新方式。将数据集的数据按batch size的大小分成多个minibatch，分别灌入模型计算梯度并更新参数，不断迭代直到损失函数几乎不再下降。深度学习模型的基本步骤的最后一个步骤：模型保存及使用后续再来学习。

继续学习http://www.cnblogs.com/tornadomeet/archive/2013/03/15/2961660.html 题目是：50个数据样本点，其中x为这50个小朋友到的年龄，年龄为2岁到8岁，年龄可有小数形式呈现。Y为这50个小朋友对应的身高，当然也是小数形式表示的。现在的问题是要根据这50个训练样本，估计出3.5岁和7岁时小孩子的身高。数据可以在http://open

下载资源悬赏专区

13,652

社区成员

12,568,624

社区内容

发帖

与我相关

我的任务

其他技术论坛（原bbs）

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章