时间戳

首页 > 解决方案 > 从零开始的线性回归实现

python - 从零开始的线性回归实现

问题描述

我试图理解梯度下降算法。

有人可以解释为什么我使用以下代码获得高 MSE 值，或者如果我错过了一些概念，你能澄清一下吗？

import numpy as np
import pandas as pd

my_data = pd.DataFrame({'x': np.arange(0,100),
                       'y': np.arange(0,100)})
X = my_data.iloc[:,0:1].values
y = my_data.iloc[:,1].values

def gradientDescent(X, y, lr = 0.001, n = 1000):

    n_samples, n_features = X.shape
    cost = []
    weight = np.zeros([n_features])
    b = 0

    for _ in range(n):
        # predict
        y_hat = np.dot(X, weight) + b # y = ax + b

        residual =  y - y_hat
        db = -(2/n_samples) * np.sum(residual)
        dw = -(2/n_samples) * np.sum(X.T * residual, axis = 1)

        # update weights

        weight -= (lr * dw)
        b -= (lr * db)

        cost.append(((y-y_hat) **2).mean())

    return weight, b, cost

gradientDescent(X,y)

标签： pythonlinear-regression

解决方案

不是专家，但我认为您目前遇到了这个exploding gradient问题。如果您单步执行您的代码，您会注意到您的权重值在递增的步骤中从正值变为负值。我相信你找不到最小值，因为对这个数据集使用 mse 会导致你来回跳跃，永远不会收敛。您的 x 和 y 范围为 100，因此当您查看成本时，它只是在爆炸。

如果您想将 mse 与当前的 x 和 y 值一起使用，您应该标准化您的数据。您可以通过减去平均值并除以标准偏差来做到这一点，或者只是将 x 和 y 归一化为 1。

例如：

my_data.x = my_data.x.transform(lambda x: x / x.max())
my_data.y = my_data.y.transform(lambda x: x / x.max())

如果你这样做，你应该看到你的成本在足够的迭代中收敛到 ~0。

推荐阅读