梯度下降法求解一元线性回归

import numpy as np
import matplotlib.pyplot as plt

data = np.genfromtxt('data.csv',delimiter=',')
x_data = data[:,0]
y_data = data[:,1]
plt.scatter(x_data,y_data)
plt.show()

# k斜率，b截距，一元线性回归方程y = kx + b
k,b = 0,0
# 学习率lr(learning rate)，epochs最大迭代次数
lr,epochs = 0.001,50

代价函数与梯度下降法

def gradient_descent_runner(x_data,y_data,b,k,lr,epochs):
    m = float(len(x_data))
    for i in range(epochs):
        b_grad,k_grad = 0,0
        for j in range(0,len(x_data)):
            b_grad += (1/m) * (((k * x_data[j]) + b) - y_data[j])
            k_grad += (1/m) * x_data[j] * (((k * x_data[j]) + b) - y_data[j])
            # 更新b和k
            b = b - (lr * b_grad)
            k = k - (lr * k_grad)
            
    return b,k

b,k = gradient_descent_runner(x_data,y_data,b,k,lr,epochs)
plt.plot(x_data,y_data,'b.')
plt.plot(x_data,k*x_data+b,'r')
plt.show()

感谢观看 期待关注

知乎：叁贰壹

简书：带只拖鞋去流浪

关注我，带你一起写bug

warning ：未经授权，不得转载

有问题的小伙伴请在下方留言，喜欢就点个赞吧