python實(shí)現(xiàn)最小二乘法線性擬合

發(fā)布時(shí)間：2020-09-24 12:59:03 來(lái)源：腳本之家閱讀：238 作者：王勇21633012 欄目：開發(fā)技術(shù)

本文python代碼實(shí)現(xiàn)的是最小二乘法線性擬合，并且包含自己造的輪子與別人造的輪子的結(jié)果比較。

問(wèn)題：對(duì)直線附近的帶有噪聲的數(shù)據(jù)進(jìn)行線性擬合，最終求出w,b的估計(jì)值。

最小二乘法基本思想是使得樣本方差最小。

代碼中self_func()函數(shù)為自定義擬合函數(shù)，skl_func()為調(diào)用scikit-learn中線性模塊的函數(shù)。

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
 
n = 101
 
x = np.linspace(0,10,n)
noise = np.random.randn(n)
y = 2.5 * x + 0.8 + 2.0 * noise
 
def self_func(steps=100, alpha=0.01):
  w = 0.5
  b = 0
  alpha = 0.01
  for i in range(steps):
    y_hat = w*x + b
    dy = 2.0*(y_hat - y)
    dw = dy*x
    db = dy
    w = w - alpha*np.sum(dw)/n
    b = b - alpha*np.sum(db)/n
    e = np.sum((y_hat-y)**2)/n
    #print (i,'W=',w,'\tb=',b,'\te=',e)
  print ('self_func:\tW =',w,'\n\tb =',b)
  plt.scatter(x,y)
  plt.plot(np.arange(0,10,1), w*np.arange(0,10,1) + b, color = 'r', marker = 'o', label = 'self_func(steps='+str(steps)+', alpha='+str(alpha)+')')
 
def skl_func():
  lr = LinearRegression()
  lr.fit(x.reshape(-1,1),y)
  y_hat = lr.predict(np.arange(0,10,0.75).reshape(-1,1))
  print('skl_fun:\tW = %f\n\tb = %f'%(lr.coef_,lr.intercept_))
  plt.plot(np.arange(0,10,0.75), y_hat, color = 'g', marker = 'x', label = 'skl_func')
  
self_func(10000)
skl_func()
plt.legend(loc='upper left')
plt.show()

結(jié)果：

self_func: W = 2.5648753825503197 b = 0.24527830841237772
skl_fun: W = 2.564875 b = 0.245278

python實(shí)現(xiàn)最小二乘法線性擬合

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持億速云。

向AI問(wèn)一下細(xì)節(jié)

python實(shí)現(xiàn)最小二乘法線性擬合

猜你喜歡

最新資訊

相關(guān)推薦

相關(guān)標(biāo)簽