牛頓法、梯度下降法、最小二乘法的原理以及利用它們解決實際問題的python編程

　　牛頓法、梯度下降法、最小二乘法的原理以及利用它們解決實際問題的python編程

　　一、牛頓法原理

　　1、產(chǎn)生背景

　　2、牛頓迭代公式

　　二、梯度下降法原理

　　根據(jù)計算梯度時所用數(shù)據(jù)量不同，可以分為三種基本方法：批量梯度下降法(Batch Gradient Descent, BGD)、小批量梯度下降法(Mini-batch Gradient Descent, MBGD)以及隨機梯度下降法(Stochastic Gradient Descent, SGD)。

　　梯度下降法的一般求解框架

　　三、最小二乘法原理

　　最小二乘法(又稱最小平方法)是一種數(shù)學優(yōu)化技術(shù)。它通過最小化誤差的平方和尋找數(shù)據(jù)的最佳函數(shù)匹配。利用最小二乘法可以簡便地求得未知的數(shù)據(jù)，并使得這些求得的數(shù)據(jù)與實際數(shù)據(jù)之間誤差的平方和為最小。最小二乘法還可用于曲線擬合。其他一些優(yōu)化問題也可通過最小化能量或最大化熵用最小二乘法來表達。

　　詳細原理請參考：https://baike.baidu.com/item/%E6%9C%80%E5%B0%8F%E4%BA%8C%E4%B9%98%E6%B3%95/2522346#4

　　四、運用梯度下降法原理解決實際問題的python編程舉例

　　1、問題如下

　　2、導入所需要的包

　　import numpy as np

　　import matplotlib.pyplot as plt

　　import matplotlib as mpl

　　import math

　　from mpl_toolkits.mplot3d import Axes3D

　　import warnings

　　3、畫出函數(shù)圖像

　　def f2(x1,x2):

　　return x1 ** 2 + 2 * x2 ** 2 -4*x1- 2 * x1*x2

　　X1 = np.arange(-4,4,0.2)

　　X2 = np.arange(-4,4,0.2)

　　X1, X2 = np.meshgrid(X1, X2) # 生成xv、yv，將X1、X2變成n*m的矩陣，方便后面繪圖

　　Y = np.array(list(map(lambda t : f2(t[0],t[1]),zip(X1.flatten(),X2.flatten()))))

　　Y.shape = X1.shape # 1600的Y圖還原成原來的(40,40)

　　%matplotlib inline

　　#作圖

　　fig = plt.figure(facecolor='w')

　　ax = Axes3D(fig)

　　ax.plot_surface(X1,X2,Y,rstride=1,cstride=1,cmap=plt.cm.jet)

　　ax.set_title(u'$ x1 ** 2 + 2 * x2 ** 2 -4*x1- 2 * x1*x2 $')

　　plt.show()

　　4、求極小點和極值點

　　# 解決中文顯示問題

　　mpl.rcParams['font.sans-serif'] = [u'SimHei']

　　mpl.rcParams['axes.unicode_minus'] = False

　　%matplotlib inline

　　# 二維原始圖像

　　def f2(x, y):

　　return x ** 2 + 2 * y ** 2 -4*x- 2 * x*y

　　## 偏函數(shù)

　　def hx1(x, y):

　　return 2*x-4-2*y

　　def hx2(x, y):

　　return 4*y-2*x

　　x1 = 4

　　x2 = 4

　　alpha = 0.001

　　#保存梯度下降經(jīng)過的點

　　GD_X1 = [x1]

　　GD_X2 = [x2]

　　GD_Y = [f2(x1,x2)]

　　# 定義y的變化量和迭代次數(shù)

　　y_change = f2(x1,x2)

　　iter_num = 0

　　while(iter_num < 10000) :

　　tmp_x1 = x1 - alpha * hx1(x1,x2)

　　tmp_x2 = x2 - alpha * hx2(x1,x2)

　　tmp_y = f2(tmp_x1,tmp_x2)

　　f_change = np.absolute(tmp_y - f2(x1,x2))

　　x1 = tmp_x1

　　x2 = tmp_x2

　　GD_X1.append(x1)

　　GD_X2.append(x2)

　　GD_Y.append(tmp_y)

　　iter_num += 1

　　print(u"最終結(jié)果為:(%.5f, %.5f, %.5f)" % (x1, x2, f2(x1,x2)))

　　print(u"迭代過程中X的取值，迭代次數(shù):%d" % iter_num)

　　print(GD_X1)

　　# 作圖

　　fig = plt.figure(facecolor='w',figsize=(20,18))

　　ax = Axes3D(fig)

　　ax.plot_surface(X1,X2,Y,rstride=1,cstride=1,cmap=plt.cm.jet)

　　ax.plot(GD_X1,GD_X2,GD_Y,'ko-')

　　ax.set_xlabel('x')

　　ax.set_ylabel('y')

　　ax.set_zlabel('z')

　　ax.set_title(u'函數(shù);\n學習率:%.3f; 最終解:(%.3f, %.3f, %.3f);迭代次數(shù):%d' % (alpha, x1, x2, f2(x1,x2), iter_num))

　　plt.show()

　　最終結(jié)果為:(4.00043, 2.00027, -8.00000)

　　迭代過程中X的取值，迭代次數(shù):10000

　　從上面求出的結(jié)果可以得到極小點為(4,2)，極小值為-8

　　5、用Excel求上個函數(shù)的極小點和極小值

　　實驗結(jié)果如下圖：

　　依舊可以清晰地看出該函數(shù)的極小點為(4,2)，極值點為-8

　　五、使用梯度下降法和最小二乘法求解多元函數(shù)python編程舉例

　　1、問題如下

　　用梯度下降法和最小二乘法根據(jù)以下圖片的數(shù)據(jù)進行多元線性回歸并求解相關(guān)系數(shù)

　　將數(shù)據(jù)寫入Excel中

　　2、使用梯度下降法求解多元函數(shù)

　　代碼如下：

　　import matplotlib.pyplot as plt

　　import numpy as np

　　from numpy import array

　　import pandas as pd

　　# 讀取數(shù)據(jù)文件

　　df=pd.read_csv("C:/Users/LOL/Desktop/店鋪多元回歸.csv")

　　%matplotlib notebook

　　df=df.values

　　x_data=df[:,:2]

　　y_data=df[:,2]

　　#定義學習率、斜率、截據(jù)

　　#設(shè)方程為y=theta1*x1+theta2*x2+theta0

　　lr=0.00001

　　theta0=0

　　theta1=0

　　theta2=0

　　#定義最大迭代次數(shù)

　　epochs=10000

　　#定義最小二乘法函數(shù)-損失函數(shù)(代價函數(shù))

　　def compute_error(theta0,theta1,theta2,x_data,y_data):

　　totalerror=0

　　for i in range(0,len(x_data)):#定義一共有多少樣本點

　　totalerror=totalerror+(y_data[i]-(theta1*x_data[i,0]+theta2*x_data[i,1]+theta0))**2

　　return totalerror/float(len(x_data))/2

　　#梯度下降算法求解參數(shù)

　　def gradient_descent_runner(x_data,y_data,theta0,theta1,theta2,lr,epochs):

　　m=len(x_data)

　　for i in range(epochs):

　　theta0_grad=0

　　theta1_grad=0

　　theta2_grad=0

　　for j in range(0,m):

　　theta0_grad-=(1/m)*(-(theta1*x_data[j,0]+theta2*x_data[j,1]+theta2)+y_data[j])

　　theta1_grad-=(1/m)*x_data[j,0]*(-(theta1*x_data[j,0]+theta2*x_data[j,1]+theta0)+y_data[j])

　　theta2_grad-=(1/m)*x_data[j,1]*(-(theta1*x_data[j,0]+theta2*x_data[j,1]+theta0)+y_data[j])

　　theta0=theta0-lr*theta0_grad

　　theta1=theta1-lr*theta1_grad

　　theta2=theta2-lr*theta2_grad

　　return theta0,theta1,theta2

　　#進行迭代求解 鄭州婦科醫(yī)院 http://www.120zzkd.com/

　　theta0,theta1,theta2=gradient_descent_runner(x_data,y_data,theta0,theta1,theta2,lr,epochs)

　　print('迭代次數(shù)：{0} 學習率：{1}之后 a0={2},a1={3},a2={4},代價函數(shù)為{5}'.format(epochs,lr,theta0,theta1,theta2,compute_error(theta0,theta1,theta2,x_data,y_data)))

　　print("多元線性回歸方程為:y=",theta1,"X1+",theta2,"X2+",theta0)

　　迭代次數(shù)：10000 學習率：1e-05之后 a0=5.3774162274868,a1=45.0533119768975,a2=-0.19626929358281256,代價函數(shù)為366.7314528822914

　　多元線性回歸方程為:y= 45.0533119768975 X1+ -0.19626929358281256 X2+ 5.3774162274868

　　3、用最小二乘法求解

　　代碼如下：

　　import numpy as np

　　import pandas as pd

　　#變量初始化

　　X=[]

　　Y=[]

　　B=[]

　　Q_e=0

　　Q_E=0

　　#從csv文件中讀取數(shù)據(jù)

　　def get_data(file_name):

　　data=pd.read_csv(file_name,header=0)

　　data=np.array(data)

　　Y=data[:,data.shape[1]-1]#預測對象位于最后一列

　　X=data[:,0:data.shape[1]-1]

　　print(X.shape)

　　return X,Y

　　return X,Y

　　X,Y=get_data('C:/Users/LOL/Desktop/店鋪多元回歸.csv')

　　X=np.mat(np.c_[np.ones(X.shape[0]),X])#為系數(shù)矩陣增加常數(shù)項系數(shù)

　　Y=np.mat(Y)#數(shù)組轉(zhuǎn)化為矩陣

　　B=np.linalg.inv(X.T*X)*(X.T)*(Y.T)

　　print("第一項為常數(shù)項，其他為回歸系數(shù)",B)#輸出系數(shù),第一項為常數(shù)項，其他為回歸系數(shù)

　　print("輸入店鋪面積，距離最近的車站距離，預測營業(yè)額:",np.mat([1,10,80])*B ,"萬日元")#預測結(jié)果

　　#相關(guān)系數(shù)

　　Y_mean=np.mean(Y)

　　for i in range(Y.size):

　　Q_e+=pow(np.array((Y.T)[i]-X[i]*B),2)

　　Q_E+=pow(np.array(X[i]*B)-Y_mean,2)

　　R2=Q_E/(Q_e+Q_E)

　　print("R2的值：",R2)

　　(10, 2)

　　第一項為常數(shù)項，其他為回歸系數(shù) [[65.32391639]

　　[41.51347826]

　　[-0.34088269]]

　　輸入店鋪面積，距離最近的車站距離，預測營業(yè)額: [[453.1880841]] 萬日元

　　R2的值： [[0.94523585]]

　　4、使用Excel求解

　　由上面三種方法求到的結(jié)果對比，可以清晰地看出用最小二乘法和Excel求出的結(jié)果一致，而用梯度下降法求解有一定的誤差

　　六、總結(jié)

　　最小二乘法：能通過最小化誤差的平方和尋找數(shù)據(jù)的最佳函數(shù)匹配，但是使用有一定局限性，在回歸過程中，回歸的關(guān)聯(lián)式不可能全部通過每個回歸數(shù)據(jù)點。

　　梯度下降法：是通過梯度方向和步長，直接求解目標函數(shù)的最小值時的參數(shù)，越接近最優(yōu)值時，步長應該不斷減小，否則會在最優(yōu)值附近來回震蕩。