[英]simultaneously update theta0 and theta1 to calculate gradient descent in python
我正在学习coursera的机器学习课程。 有一个主题叫做梯度下降来优化成本函数。 它说同时更新 theta0 和 theta1,这样它将最小化成本函数并达到全局最小值。
梯度下降的公式是
我如何使用 python 以编程方式执行此操作? 我正在使用 numpy array 和 pandas 从头开始逐步理解其逻辑。
现在我只计算了成本函数
# step 1 - collect our data
data = pd.read_csv("datasets.txt", header=None)
def compute_cost_function(x, y, theta):
'''
Taking in a numpy array x, y, theta and generate the cost function
'''
m = len(y)
# formula for prediction = theta0 + theta1.x
predictions = x.dot(theta)
# formula for square error = ((theta1.x + theta0) - y)**2
square_error = (predictions - y)**2
# sum of square error function
return 1/(2*m) * np.sum(square_error)
# converts into numpy represetation of the pandas dataframe. The axes labels will be excluded
numpy_data = data.values
m = data[0].size
x = np.append(np.ones((m, 1)), numpy_data[:, 0].reshape(m, 1), axis=1)
y = numpy_data[:, 1].reshape(m, 1)
theta = np.zeros((2, 1))
compute_cost_function(x, y, theta)
def gradient_descent(x, y, theta, alpha):
'''
simultaneously update theta0 and theta1 where
theta0 = theta0 - apha * 1/m * (sum of square error)
'''
pass
我知道我必须从梯度下降中调用计算compute_cost_function
,但无法应用该公式。
这意味着您使用参数的先前值并在右侧计算您需要的值。 完成后,更新参数。 要最清楚地做到这一点,请在函数内部创建一个临时数组,将结果存储在右侧,并在完成后返回计算结果。
def gradient_descent(x, y, theta, alpha):
''' simultaneously update theta0 and theta1 where
theta0 = theta0 - apha * 1/m * (sum of square error) '''
theta_return = np.zeros((2, 1))
theta_return[0] = theta[0] - (alpha / m) * ((x.dot(theta) - y).sum())
theta_return[1] = theta[1] - (alpha / m) * (((x.dot(theta) - y)*x[:, 1][:, None]).sum())
return theta_return
我们首先声明临时数组,然后分别计算每个部分的参数,即截距和斜率,然后返回我们需要的。 上面代码的好处在于我们将其矢量化。 对于截距项, x.dot(theta)
执行矩阵向量乘法,其中您有数据矩阵x
和参数向量theta
。 通过用输出值y
减去这个结果,我们计算预测值和真实值之间所有误差的总和,然后乘以学习率,然后除以样本数。 我们对斜率项做了一些类似的事情,只是我们额外乘以每个输入值而没有偏置项。 我们还需要确保输入值在列中,因为沿着x
的第二列切片会产生一维 NumPy 数组,而不是带有单列的二维数组。 这允许元素乘法很好地一起玩。
还有一点要注意的是,更新参数时根本不需要计算成本。 请注意,在您的优化循环中,在更新参数时调用它会很好,这样您就可以看到参数从数据中学习的情况。
为了使其真正矢量化并因此利用同步更新,您可以将其表述为单独在训练示例上的矩阵向量乘法:
def gradient_descent(x, y, theta, alpha):
''' simultaneously update theta0 and theta1 where
theta0 = theta0 - apha * 1/m * (sum of square error) '''
return theta - (alpha / m) * x.T.dot(x.dot(theta) - y)
它的作用是当我们计算x.dot(theta)
,它会计算预测值,然后我们通过减去期望值来将其组合起来。 这会产生误差向量。 当我们预乘x
的转置时,最终发生的是我们取误差向量并执行向量化的求和,使得转置矩阵x
的第一行对应于 1 的值,这意味着我们只是将所有的误差项,它为我们提供了偏差或截距项的更新。 类似地,转置矩阵x
的第二行额外通过x
的相应样本值(没有偏差项 1)对每个误差项进行加权,并以这种方式计算总和。 结果是一个 2 x 1 的向量,当我们减去参数的先前值并由学习率和样本数加权时,它会为我们提供最终更新。
我没有意识到您将代码放入迭代框架中。 在这种情况下,您需要在每次迭代时更新参数。
def gradient_descent(x, y, theta, alpha, iterations):
''' simultaneously update theta0 and theta1 where
theta0 = theta0 - apha * 1/m * (sum of square error) '''
theta_return = np.zeros((2, 1))
for i in range(iterations):
theta_return[0] = theta[0] - (alpha / m) * ((x.dot(theta) - y).sum())
theta_return[1] = theta[1] - (alpha / m) * (((x.dot(theta) - y)*x[:, 1][:, None]).sum())
theta = theta_return
return theta
theta = gradient_descent(x, y, theta, 0.01, 1000)
在每次迭代中,您更新参数然后正确设置它,以便下一次,当前更新成为以前的更新。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.