机器学习数学基础

文章目录

• 一、学习任务
• 二、学习内容
• • 1.梯度下降法的一般求解步骤
  • 2.梯度下降法手工求解极值
  • • 2.1.计算过程
  • 3. Excel中利用梯度下降求解近似根
  • 4.线性回归问题求解
  • • 4.1.最小二乘法
    • 4.2.梯度下降法
• 三、参考资料

一、学习任务

1. 解释微分、梯度的含义？ 什么是梯度下降法？

   1）用梯度下降法手工求解

   

2）在Excel里用牛顿法、或者梯度下降法求解 z=2(x-1)2+y2 的近似根。

2.线性回归可以用最小二乘法求解，也可以用梯度下降法求解。调试、运行并详细注解文中的梯度下降法求解回归方程的python代码，对获得的结果与最小二乘法的结果进行对比。调试、运行并详细注解文中的梯度下降法求解回归方程的python代码，对获得的结果与最小二乘法的结果进行对比。

二、学习内容

1.梯度下降法的一般求解步骤

2.梯度下降法手工求解极值

2.1.计算过程

2.

3.

3. Excel中利用梯度下降求解近似根

1.设置表格内容

2.设置（x，y）的初始值为（2，1）

3.其他表格输入计算公式

4.迭代结果

当学习率取0.1的时候，迭代2000多次仍旧没有出现函数值为0的情况，所以更改学习率为0.15

4.线性回归问题求解

4.1.最小二乘法

1.相关代码

from sklearn import linear_model        
import seaborn as sns
m = 20
X0 = ones((m, 1))
X1 = arange(1, m+1).reshape(m, 1) 
X = hstack((X0, X1)) 
Y = np.array([
	    3, 4, 5, 5, 2, 4, 7, 8, 11, 8, 12,
	    11, 13, 13, 16, 17, 18, 17, 19, 21
	]).reshape(m, 1)
           

2.线性回归

model = linear_model.LinearRegression()
model.fit(X1,Y) 
print("斜率=",model.coef_[0])
print("截距为=",model.intercept_)
           

3.结果绘制

def plot(X, Y, theta):
    ax = plt.subplot(111)  
    ax.scatter(X, Y, s=30, c="blue", marker="s")
    plt.xlabel("X")
    plt.ylabel("Y")
    x = arange(0, 21, 0.2) 
    y =  model.intercept_+ model.coef_[0]*x
    ax.plot(x, y)
    plt.show()
plot(X1, Y, model.coef_[0])
           

4.2.梯度下降法

1.代价函数

2.相关代码

from numpy import *
m = 20
X0 = ones((m, 1)) 
X1 = arange(1, m+1).reshape(m, 1)  
X = hstack((X0, X1))  
Y = np.array([
    3, 4, 5, 5, 2, 4, 7, 8, 11, 8, 12,
    11, 13, 13, 16, 17, 18, 17, 19, 21
]).reshape(m, 1)
alpha = 0.01
import matplotlib.pyplot as plt
plt.scatter(X1,Y,color='red')
plt.show()
           

3.绘制结果

4.代价函数定义及代价函数的梯度函数

def cost_function(theta, X, Y):
    diff = dot(X, theta) - Y  # dot() 
    dot()
    return (1/(2*m)) * dot(diff.transpose(), diff)
    
def gradient_function(theta, X, Y):
    diff = dot(X, theta) - Y
    return (1/m) * dot(X.transpose(), diff)
           

梯度下降迭代

# 梯度下降迭代
def gradient_descent(X, Y, alpha):
    theta = array([1, 1]).reshape(2, 1)
    gradient = gradient_function(theta, X, Y)
    while not all(abs(gradient) <= 1e-5):
        theta = theta - alpha * gradient
        gradient = gradient_function(theta, X, Y)
    return theta
optimal = gradient_descent(X, Y, alpha)
print('optimal:', optimal)
print('cost function:', cost_function(optimal, X, Y)[0][0])
           

5.线性结果绘制

相关代码

def plot(X, Y, theta):
    ax = plt.subplot(111) 
    ax.scatter(X, Y, s=30, c="red", marker="s")
    plt.xlabel("X")
    plt.ylabel("Y")
    x = arange(0, 21, 0.2) 
    y = theta[0] + theta[1]*x
    ax.plot(x, y)
    plt.show()
plot(X1, Y, optimal)
           

结果

三、参考资料

深入浅出–梯度下降法及其实现

梯度下降算法原理讲解——机器学习