秒懂机器学习---梯度下降简单实例
一、总结
一句话总结:
机器学习中:但凡能够把数据映射到多维空间的那个图形上,那么事情就变的比较好解决了
别人要不要你,就是看你有没有震撼到别人,你的各个方面的实力和魅力
1、python支持函数中定义函数实例?
python中函数里面可以定义函数:比如在梯度下降中我们可以把 偏导那个函数定义在梯度下降函数里面
def test(): def derivative(x_pre): # f(x)的导数 return 2 * x_pre + 3
2、梯度下降真的非常简单,最核心理解的是哪两步?
1、将问题映射在图上,映射在多维空间上
2、理解梯度下降公式:x = x - αg(x),g(x)为f(x)的导数
3、梯度下降公式中的x = x - αg(x),- αg(x)在实验中的表现是什么?
由初始点向最优点靠近:将x的值,从1,穿越0,由正到负,然后最后到达最优解-1.5旁边
一般的x和步子的正相关性:αg(x)是和x相关的函数,一般是x越大,|αg(x)|越大,αg(x)变化的越快,寻找梯度的步子迈的越大
4、梯度下降实例(要多看代码)?
比如求f(x) = x2+3x+4 的最优解
# -*- coding: utf-8 -*-# @Desc : 梯度下降计算函数的极小值"""f(x) = x^2 + 3x + 4f(x)的导数 g(x) = 2x + 3"""def test(): def derivative(x_pre): # f(x)的导数 return 2 * x_pre + 3 x_pre = -5 # 初始值 x_now = 1 # 梯度下降初始值 alpha = 0.01 # 学习率,即步长 pression = 0.00001 # 更新的阀值 count = 0 # 统计迭代次数 while abs(x_now - x_pre) > pression: # print(x_now,'------------',x_pre) x_pre = x_now # x = x - αg(x),g(x)为f(x)的导数 x_now = x_pre - alpha * derivative(x_pre) count += 1 print(x_now) print(count)test()
5、梯度下降法只能对线性函数起作用么?
并不是:对所连续的有曲线都起作用
二、机器学习案例——梯度下降与逻辑回归简单实例
转自或参考:机器学习案例——梯度下降与逻辑回归简单实例
https://blog.csdn.net/heuguangxu/article/details/80495268梯度下降实例
下图是f(x) = x2+3x+4 的函数图像,这是初中的一元二次函数,它的导数为g(x) = f’(x) = 2x+3。我们很明确的知道,当x = -1.5时,函数取得最小值。
下面就通过梯度下降法来计算函数取最小值时x的取值。
# @Desc : 梯度下降计算函数的极小值"""f(x) = x^2 + 3x + 4f(x)的导数 g(x) = 2x + 3"""def test(): def derivative(x_pre): # f(x)的导数 return 2 * x_pre + 3 x_pre = -5 # 初始值 x_now = 1 # 梯度下降初始值 alpha = 0.01 # 学习率,即步长 pression = 0.00001 # 更新的阀值 count = 0 # 统计迭代次数 while abs(x_now - x_pre) > pression: x_pre = x_now # x = x - αg(x),g(x)为f(x)的导数 x_now = x_pre - alpha * derivative(x_pre) count += 1 print(x_now) print(count)# 结果-1.4995140741236221423
可以看出,已经非常逼近真实的极值-1.5了,总共经过了423次迭代,逻辑回归中的梯度下降也是这样的,只不过函数没这么简单而已。
逻辑回归实例
自己在编写代码过程中,使用的是中提到的鸢尾花数据集,我把其中一个类别删除了,只留下了两个类别。经过训练后,得到参数如下图所示。
上面的数据有4个特征,不太好展示,因此重新用了别人家的数据,代码无需变动。建议还是参考别人写的更详细(地址在文章末尾),最后得到的参数是下面这个样子的,画出来的拟合效果还是不错的,为了不影响阅读代码贴在最后了。
[[-0.47350404] [ 0.74213291] [-5.47457118]]
参考内容:
import pandas as pdimport numpy as npimport matplotlib.pyplot as pltalpha = 0.001 # 学习率iteration = 5000 # 迭代次数# 加载数据集def load_data(): # 读入数据 df = pd.read_csv('test.csv') # 取label标签 Y_train = np.mat(df['class']) # 将行向量转换为列向量 Y_train = np.mat(Y_train) Y_train = Y_train.T # 删除最后一列,即删除标签列 df.drop('class', axis=1, inplace=True) # 添加一列,当b吧,方便计算,初始化为1 df['new'] = 1 X_train = np.mat(df) return X_train, Y_train# 返回最后训练的参数def gradient_descent(X_train, Y_train): row, col = X_train.shape # 初始化,全为0 W = np.zeros((col, 1)) # 进行max_iteration次梯度下降 for i in range(iteration): # 直接使用numpy提供的tanh函数 h = np.tanh(np.dot(X_train, W)) error = Y_train + h # 梯度下降 W = W - alpha * np.dot(X_train.T, error) return W.getA()# 这段代码来抄自https://github.com/apachecn/MachineLearning/blob/master/src/py2.x/ML/5.Logistic/logistic.pyudef plot_show(W): X_train, Y_train = load_data() xcord1 = [] ycord1 = [] xcord2 = [] ycord2 = [] for i in range(X_train.shape[0]): if int(Y_train[i]) == 1: xcord1.append(X_train[i, 0]) ycord1.append(X_train[i, 1]) else: xcord2.append(X_train[i, 0]) ycord2.append(X_train[i, 1]) fig = plt.figure() ax = fig.add_subplot(111) ax.scatter(xcord1, ycord1, s=20, c='red', marker='s', alpha=.5) ax.scatter(xcord2, ycord2, s=20, c='green', alpha=.5) x = np.arange(-4.0, 5.0, 0.1) """ 函数原型是:f(x) = w0*x0 + w1*x1 + b x1在这里被当做y值了,f(x)被算到w0、w1、b身上去了 所以有:w0*x0 + w1*x1 + b = 0 可以得到:(b + w0 * x) / -w1 """ y = (W[2] + W[0] * x) / -W[1] ax.plot(x, y) plt.title('BestFit') plt.xlabel('X1') plt.ylabel('X2') plt.show()if __name__ == '__main__': X_train, Y_train = load_data() # print(Y_train) W = gradient_descent(X_train, Y_train) print(W) plot_show(W)