Я изучаю простые алгоритмы машинного обучения, начиная с простого градиентного спуска, но у меня есть некоторые проблемы с попыткой реализовать его в python.Как создать простой алгоритм градиентного спуска
Вот пример, который я пытаюсь воспроизвести, у меня есть данные о домах с (жилой площади (в feet2), а также количество спален) с результирующей цена:
Жилая площадь (feet2): 2104
#bedrooms: 3
Цена (1000 $ ы): 400
Я пытаюсь сделать простой регрессии с помощью метода градиентного спуска, но мой алгоритм не будет работать. .. Форма алгоритма не является usi ng векторов (я пытаюсь понять это шаг за шагом).
i = 1
import sys
derror=sys.maxint
error = 0
step = 0.0001
dthresh = 0.1
import random
theta1 = random.random()
theta2 = random.random()
theta0 = random.random()
while derror>dthresh:
diff = 400 - theta0 - 2104 * theta1 - 3 * theta2
theta0 = theta0 + step * diff * 1
theta1 = theta1 + step * diff * 2104
theta2 = theta2 + step * diff * 3
hserror = diff**2/2
derror = abs(error - hserror)
error = hserror
print 'iteration : %d, error : %s' % (i, error)
i+=1
Я понимаю математику, я построения функции предсказывая $$h_{\theta}(x) = \theta_0 + \theta_1 x_1 + \theta_2 x_2$$ http://mathurl.com/hoy7ege.png с $x_1$ http://mathurl.com/2ga69bb.png и $x_2$ http://mathurl.com/2cbdldp.png быть переменные (жилая площадь, количество спален) и $h_{\theta}(x)$ http://mathurl.com/jckw8ke.png расчетная цена.
Я использую функцию стоимости ($hserror$ http://mathurl.com/guuqjv5.png) (для одной точки): $$hserror = \frac{1}{2} (h_{\theta}(x) - y)^2$$ http://mathurl.com/hnrqtkf.png Это обычная проблема, но я больше инженера-программиста, и я учусь на один шаг за один раз, могу вы говорите мне, что случилось?
я получил его работы с этим кодом:
data = {(2104, 3) : 400, (1600,3) : 330, (2400, 3) : 369, (1416, 2) : 232, (3000, 4) : 540}
for x in range(10):
i = 1
import sys
derror=sys.maxint
error = 0
step = 0.00000001
dthresh = 0.0000000001
import random
theta1 = random.random()*100
theta2 = random.random()*100
theta0 = random.random()*100
while derror>dthresh:
diff = 400 - (theta0 + 2104 * theta1 + 3 * theta2)
theta0 = theta0 + step * diff * 1
theta1 = theta1 + step * diff * 2104
theta2 = theta2 + step * diff * 3
hserror = diff**2/2
derror = abs(error - hserror)
error = hserror
#print 'iteration : %d, error : %s, derror : %s' % (i, error, derror)
i+=1
print ' theta0 : %f, theta1 : %f, theta2 : %f' % (theta0, theta1, theta2)
print ' done : %f' %(theta0 + 2104 * theta1 + 3*theta2)
который заканчивается с ответами, как это:
theta0 : 48.412337, theta1 : 0.094492, theta2 : 50.925579
done : 400.000043
theta0 : 0.574007, theta1 : 0.185363, theta2 : 3.140553
done : 400.000042
theta0 : 28.588457, theta1 : 0.041746, theta2 : 94.525769
done : 400.000043
theta0 : 42.240593, theta1 : 0.096398, theta2 : 51.645989
done : 400.000043
theta0 : 98.452431, theta1 : 0.136432, theta2 : 4.831866
done : 400.000043
theta0 : 18.022160, theta1 : 0.148059, theta2 : 23.487524
done : 400.000043
theta0 : 39.461977, theta1 : 0.097899, theta2 : 51.519412
done : 400.000042
theta0 : 40.979868, theta1 : 0.040312, theta2 : 91.401406
done : 400.000043
theta0 : 15.466259, theta1 : 0.111276, theta2 : 50.136221
done : 400.000043
theta0 : 72.380926, theta1 : 0.013814, theta2 : 99.517853
done : 400.000043
Благодарим вас за отличный ответ! Я знаю, что это не отличный подход к проблеме, я хотел попробовать сначала реализовать это простое решение, а затем использовать переменный шаг и попробовать «спуск градиента партии» и «стохастический градиентный спуск». –
Чтобы быть уверенным, какое выражение вы используете для dEthetheta? –
Я бы взял d = 400 - theta0 - 2104 * theta1 - 3 * theta2, E = d^2, dEthethe0 = 2 * d * (-1), dEthethe1 = 2 * d * (-2104), dEdtheta2 = 2 * д * (- 3). Что бы сделать знак в ваших исходных уравнениях правильным. Но если вы посмотрите на размер градиентов, они огромны по сравнению с масштабным коэффициентом 0.0001, а это означает, что вы в конечном итоге делаете шаги, которые слишком велики с вашей начальной точки. Нормализация градиента или ограничение ступенчатой стороны каким-либо другим способом должна решить вашу проблему. –