使用python实现机器算法梯度下降

首先我们要知道梯度算法是用来干什么的？ 梯度算法简而言之，用来求最小误差值

利用梯度算法求线性回归

什么是线性回归： 线性回归就是能够用一条直线（在一元的情况下）较为精确地描述出数据之间的关系。 **作用：**在新的数据出现时能够预测出相应的值。 这里我们可以举例，我们对房价和房间的大小数据进行线性回归计算，那么我们就可以根据房间大小（X值），代入这个线性方程得出房价（Y值） 知道了线性回归的作用，接下来就是了解如何得到它。 如何实现线性回归计算： 得到这个线性方程我们要定义一个假设函数 通过这个假设函数中，我们已有的数据有 X轴坐标数据，hx就是我们预测出来的Y值。 我们初中的时候就学过Y=kX+b；知道X值我们就可以带入函数得到Y值，这里的k和b就是我们需要通过梯度下降算法求出来的值， 预测值和真实值之间的差距就是误差值，我们就要算出能够得到最小误差值的hx函数。 这里我们引入代价函数 这个代价代价函数中有hx为预测值，y为真实值，m为数据个数

求解theta值有两种方式：一.梯度下降法，二.特征方程法

这里展示如何使用梯度下降法的到theta值 梯度下降算法是求解局部最优解的方法， 公式中： 1.theta需要我们自己随机设定 2.a为学习率 3.代价函数的偏导数如图：

综上：编程步骤应该为 处理数据集——常见梯度下降算法函数——迭代梯度下降算法函数——打印theta值 代码如下

#读取文件
from numpy import *
file = open("F:ex1data1.txt")
lines = file.readlines()#逐行读取数据，加入到列表中
m = len(lines)#获得数据数量

#处理数据集
X_data = []
Y_data = []
for i in range(m):
    str=lines[i]
    str1=str.split(,, 1)
    ap_x=float(str1[0])
    ap_y = float(str1[1])
    X_data.append(ap_x)
    Y_data.append(ap_y)

# x的坐标以及对应的矩阵
X_data = array(X_data).reshape(m, 1)
X_1 = ones((m, 1)) 
#reshape作用,改成一个矩阵
X = hstack((X_1, X_data)) #得到一个X轴矩阵
# Y坐标
Y = array(Y_data).reshape(m, 1)
# 学习率
alpha = 0.01


# 代价函数对应的梯度函数，
def gradient_function(theta, X, Y):
    diff = dot(X, theta) - Y
    return (1/m) * dot(X.transpose(), diff)


# 梯度下降迭代
def gradient_descent(X, Y, alpha):
    theta = array([1, 1]).reshape(2, 1)#自定义theta值，
    gradient = gradient_function(theta, X, Y)#梯度下降值
    i=1

    while (i<=1500):#迭代次数
        i=i+1
        theta = theta - alpha * gradient
        gradient = gradient_function(theta, X, Y)

    return theta

#打印theta值
Theta = gradient_descent(X, Y, alpha)
print(Theta0:, Theta[0],Theta0:,Theta[1])



# 根据数据画出对应的图像
def plot(X, Y, theta):
    import matplotlib.pyplot as plt
    ax = plt.subplot(1,1,1)
    ax.scatter(X, Y, s=30, c="pink", marker="s")
    plt.xlabel("X")
    plt.ylabel("Y")
    x = arange(5.0, 23)  # x的范围
    y = theta[0] + theta[1]*x  #假设函数
    ax.plot(x, y)
    plt.show()




plot(X_data, Y, Theta)

运行结果：