吴恩达机器学习-可选实验室-梯度下降-Gradient Descent for Linear Regression

最新推荐文章于 2025-05-13 16:30:25 发布

heibut不相信眼泪

最新推荐文章于 2025-05-13 16:30:25 发布

阅读量7.8k

点赞数 50

CC 4.0 BY-SA版权

文章标签：机器学习线性回归人工智能

本文链接：https://blog.csdn.net/qyk666/article/details/136436773

文章目录

目标

在本实验中，你将:使用梯度下降自动化优化w和b的过程

工具

在本实验中，我们将使用:

NumPy，一个流行的科学计算库
Matplotlib，一个用于绘制数据的流行库在本地目录的
lab_utils.py文件中绘制例程

import math, copy
import numpy as np
import matplotlib.pyplot as plt
plt.style.use('./deeplearning.mplstyle')
from lab_utils_uni import plt_house_x, plt_contour_wgrad, plt_divergence, plt_gradients

当前jupyter note工作目录需要包含：
在这里插入图片描述

问题陈述

让我们使用和之前一样的两个数据点——一个1000平方英尺的房子卖了30万美元，一个2000平方英尺的房子卖了50万美元。
在这里插入图片描述

# Load our data set
x_train = np.array([1.0, 2.0])   #features
y_train = np.array([300.0, 500.0])   #target value

计算损失

这是上一个实验室开发的。我们这里还会用到它

#Function to calculate the cost
def compute_cost(x, y, w, b):
   
    m = x.shape[0] 
    cost = 0
    
    for i in range(m):
        f_wb = w * x[i] + b
        cost = cost + (f_wb - y[i])**2
    total_cost = 1 / (2 * m) * cost

    return total_cost

梯度下降总结

线性模型：f（x）=wx+b
损失函数：J（w，b）
在这里插入图片描述
参数更新：

执行梯度下降

在这里插入图片描述

def compute_gradient(x, y, w, b): 
    """
    Computes the gradient for linear regression 
    Args:
      x (ndarray (m,)): Data, m examples 
      y (ndarray (m,)): target values
      w,b (scalar)    : model parameters  
    Returns
      dj_dw (scalar): The gradient of the cost w.r.t. the parameters w
      dj_db (scalar): The gradient of the cost w.r.t. the parameter b     
     """
    
    # Number of training examples
    m = x