宿州网站建设报价,企业网站首页设计评价,怎么做查成绩网站,建设部网站不支持360文章目录 拟合损失函数一、线性拟合1.1 介绍1.2 代码可视化1.2.1 生成示例数据1.2.2 损失函数1.2.3 绘制三维图像1.2.4 绘制等高线1.2.5 损失函数关于斜率的函数 二、 多变量拟合2.1 介绍2.2 代码可视化2.2.1 生成示例数据2.2.2 损失函数2.2.3 绘制等高线 三、 多项式拟合3.1 介… 文章目录 拟合损失函数一、线性拟合1.1 介绍1.2 代码可视化1.2.1 生成示例数据1.2.2 损失函数1.2.3 绘制三维图像1.2.4 绘制等高线1.2.5 损失函数关于斜率的函数 二、 多变量拟合2.1 介绍2.2 代码可视化2.2.1 生成示例数据2.2.2 损失函数2.2.3 绘制等高线 三、 多项式拟合3.1 介绍3.2 公式表示 拟合损失函数
下一篇文章有如何通过损失函数来进行梯度下降法。
一、线性拟合
1.1 介绍
使用最小二乘法进行线性拟合即 h θ ( x ) θ 0 θ 1 x h_{\theta}(x) \theta_{0}\theta_{1}x hθ(x)θ0θ1x 其中 θ 0 \theta_{0} θ0和 θ 1 \theta_{1} θ1是参数需要通过已经给出的数据进行拟合这里不进行具体的计算.
损失函数为 J ( θ 0 , θ 1 ) 1 2 m ∑ i 1 m ( h θ ( x ( i ) ) − y ( i ) ) 2 J(\theta_{0},\theta_{1})\frac{1}{2m}\sum_{i1}^{m}(h_{\theta}(x^{(i)})-y^{(i)})^2 J(θ0,θ1)2m1i1∑m(hθ(x(i))−y(i))2 即线性拟合的目的即是达到 min θ J ( θ 0 , θ 1 ) \text{min}_{\theta} J(\theta_{0},\theta_{1}) minθJ(θ0,θ1)
因此我们可以采取梯度下降法进行拟合。
而不同的 θ 0 \theta_{0} θ0和 θ 1 \theta_{1} θ1获取到不同的损失我们可以先绘制损失函数的图像进行参数的预估计。
即使用matplotlib的三维图像绘制来确定以及可以使用等高线来进行完成。
1.2 代码可视化
1.2.1 生成示例数据
import numpy as np
import matplotlib.pyplot as plt# 生成示例数据
x np.linspace(0, 10, 100)
y 2 * x 3 np.random.normal(0, 2, 100) # y 2x 3 噪声
# 绘制散点图根据散点图大致确定参数范围
plt.scatter(x, y)
plt.title(Data analysis)
plt.xlabel(x)
plt.ylabel(y)
plt.show()1.2.2 损失函数
def mse_loss(t0, t1, x, y):# 定义损失函数y_pred t1 * x t0return np.mean((y - y_pred) ** 2) / 21.2.3 绘制三维图像
t0_, t1_ np.linspace(0, 6, 100), np.linspace(0, 4, 100) # 定义参数的取值范围
t0, t1 np.meshgrid(t0_, t1_) # 生成矩阵网格即形成三维图的x轴和y轴其为秩一阵
loss np.zeros_like(t0)
for i in range(t0.shape[0]):for j in range(t0.shape[1]):loss[i, j] mse_loss(t0[i, j],t1[i, j], x, y)# 绘制三维损失曲面
fig plt.figure(figsize(10, 6))
ax fig.add_subplot(111, projection3d) # 创建三维坐标系
ax.plot_surface(t0, t1, loss, cmapviridis, alpha0.8)
ax.set_xlabel(Slope (t1))
ax.set_ylabel(Intercept (t0))
ax.set_zlabel(Loss (MSE))
ax.set_title(3D Loss Surface)
plt.show()1.2.4 绘制等高线
# 绘制等高线图
plt.figure(figsize(8, 6))
contour plt.contour(t0, t1, loss, levels50, cmapviridis)
plt.colorbar(contour)
plt.xlabel(Slope (t1))
plt.ylabel(Intercept (t0))
plt.title(Contour Plot of Loss Function)
plt.show()1.2.5 损失函数关于斜率的函数
固定截距绘制出损失函数关于斜率的图像,通过等高线得出估计的最佳截距。
t1 np.linspace(0, 6, 200) # 得出斜率的范围
loss np.zeros_like(t1)
for i in range(loss.shape[0]):loss[i] mse_loss(2.5, t1[i], x, y) # 存储损失值
plt.plot(t1, loss)
plt.xlabel(rSlope($\theta_{1}$))
plt.ylabel(Loss)
plt.title(Loss-Slope)
plt.show() 通过一系列图像发现损失值会收敛到一个值
故可以使用梯度下降法下一文会介绍来进行线性拟合求解方程
二、 多变量拟合
2.1 介绍
显然一个结果会受到多种因素的影响这时候就需要引入多项式来进行拟合。需要一些线性代数的知识小知识。 即我们令 y ( x 1 ⋯ x n 1 ) ⋅ ( w 1 ⋮ w n b ) X W b w 1 x 1 ⋯ w n x n b \begin{array}{l} y \begin{pmatrix} x_1 \cdots x_n1 \end{pmatrix}\cdot\begin{pmatrix} w_1\\\vdots\\w_n\\b \end{pmatrix} \\ XWb \\ w_1x_1\cdotsw_nx_nb \end{array} y(x1⋯xn1)⋅ w1⋮wnb XWbw1x1⋯wnxnb 可以看出使用向量表达和线性拟合的表达式类似。即这里使用二项式拟合 h θ ( x ) ( i ) θ 0 θ 1 x 1 ( i ) θ 2 x 2 ( i ) h θ ( x ) ( 1 x 1 ( 1 ) x 2 ( 1 ) ⋮ ⋮ ⋮ 1 x 1 ( m ) x 2 ( m ) ) m × 3 ⋅ ( θ 0 θ 1 θ 2 ) 3 × 1 \begin{array}{l} h_{\theta}(x)^{(i)} \theta_{0}\theta_{1}x_{1}^{(i)}\theta_{2}x_{2}^{(i)}\\ h_{\theta}(x)\begin{pmatrix} 1x_{1}^{(1)}x_{2}^{(1)}\\ \vdots\vdots\vdots\\ 1x_{1}^{(m)}x_{2}^{(m)} \end{pmatrix}_{m\times 3}\cdot\begin{pmatrix} \theta_{0}\\\theta_{1}\\\theta_{2} \end{pmatrix}_{3\times1} \end{array} hθ(x)(i)hθ(x)θ0θ1x1(i)θ2x2(i) 1⋮1x1(1)⋮x1(m)x2(1)⋮x2(m) m×3⋅ θ0θ1θ2 3×1 则我们的损失函数定义为 J ( θ 0 , ⋯ , θ n ) 1 2 m ∑ i 1 m ( h θ ( x ( i ) ) − y ( i ) ) 2 J(\theta_{0},\cdots,\theta_{n}) \frac{1}{2m}\sum_{i1}^{m}(h_{\theta}(x^{(i)})-y^{(i)}) ^2 J(θ0,⋯,θn)2m1i1∑m(hθ(x(i))−y(i))2
2.2 代码可视化
2.2.1 生成示例数据
import numpy as np
import matplotlib.pyplot as plt# 这里迭代区间最好不要一样不然 x1 x2
x1 np.linspace(0, 10, 100)
x2 np.linspace(-10, 0, 100)
y 2 * x1 3 * x2 4 np.random.normal(0, 4, 100) # 生成噪声数据即生成正态分布的随机数# 绘制散点图三维散点图
fig plt.figure(figsize(10, 6))
ax fig.add_subplot(111, projection3d)
# 绘制三维散点图
ax.scatter(x1, x2, y, alpha0.6)# 设置坐标轴标签
ax.set_xlabel(X1 Label)
ax.set_ylabel(X2 Label)
ax.set_zlabel(Y Data)# 设置标题
ax.set_title(3D Scatter Plot)
plt.show()2.2.2 损失函数
使用点积来进行损失函数的编写 其实线性函数也可以用点积来编写不过运算较为简单就可以不考虑点积 def mse_loss(para, X, y):para: nx1 的列向量x: mxn 的数据矩阵y: nx1的列向量y_pre np.dot(X, para) # 使用点积定义拟合函数return np.mean((y_pre-y)**2) / 22.2.3 绘制等高线
这里等高线的绘制先寻找一个大概截距即固定一个值而后再进行二维等高线的绘制
# 对数据进行预处理
one_ np.ones_like(x1) # 生成一个全为1的列向量
X np.array([one_, x1, x2]).T # 合成为一个100行三列的数据矩阵x10, x20 np.linspace(0, 6, 100), np.linspace(0, 6, 100)
x1_, x2_ np.meshgrid(x10, x20)
loss np.zeros_like(x1_)
for i in range(x1_.shape[0]): # 批量计算损失函数for j in range(x1_.shape[1]):param np.array([0, x1_[i][j], x2_[i][j]]) # 假设截距为0loss[i][j] mse_loss(param, X, y)plt.figure(figsize(8, 6))
contour plt.contour(x1_, x2_, loss, levels50, cmapviridis)
plt.colorbar(contour)
plt.xlabel(r$x_1$)
plt.ylabel(r$x_2$)
plt.title(rContour Plot of Loss Function when $x_0$4)
plt.show()通过等高线的绘制可以大致确定 x 1 x_{1} x1和 x 2 x_{2} x2的估计值而后使用梯度下降法进行进一步的求解。
三、 多项式拟合
3.1 介绍
在一些拟合过程中其实单变量影响但是通过散点图很容易发现其并不是线性函数因此并不能进行线性拟合而是要进行多项式拟合即使用x的多次方的加和形式进行拟合 f ( x ) ∑ i 0 n a i x i f(x) \sum_{i0}^{n}a_{i}x^{i} f(x)i0∑naixi 同时也可以使用 y θ 0 θ 1 x θ 2 x y\theta_{0}\theta_{1}x\theta_{2}\sqrt{ x } yθ0θ1xθ2x 来进行拟合。 具体的多项式拟合形式需要结合其他数据以及具体情况进行分析。
则其损失函数为 min θ J ( θ ) min θ 1 2 m ∑ i 0 m ( f ( x ( i ) ) − y ( i ) ) 2 \text{min}_{\theta} J(\theta)\text{min}_{\theta}\frac{1}{2m}\sum_{i0}^{m} (f(x^{(i)})-y^{(i)})^2 minθJ(θ)minθ2m1i0∑m(f(x(i))−y(i))2
3.2 公式表示
拟合方式则是与多变量拟合的过程类似(令 φ ( x ) \varphi(x) φ(x)为x的多次方形式)
即 h θ ( x ) ( 1 φ 1 ( x ( 1 ) ) ⋯ φ n ( x ( 1 ) ) ⋮ ⋮ ⋱ ⋮ 1 φ 1 ( x ( m ) ) ⋯ φ n ( x ( m ) ) ) m × ( n 1 ) ⋅ ( θ 0 θ 1 ⋮ θ n ) ( n 1 ) × 1 \begin{array}{l} h_{\theta}(x)\begin{pmatrix} 1\varphi_1(x^{(1)})\cdots\varphi_n(x^{(1)})\\ \vdots\vdots\ddots \vdots\\ 1\varphi_1(x^{(m)})\cdots\varphi_n(x^{(m)}) \end{pmatrix}_{m\times (n1)}\cdot\begin{pmatrix} \theta_{0}\\\theta_{1}\\\vdots\\\theta_n \end{pmatrix}_{(n1)\times1} \end{array} hθ(x) 1⋮1φ1(x(1))⋮φ1(x(m))⋯⋱⋯φn(x(1))⋮φn(x(m)) m×(n1)⋅ θ0θ1⋮θn (n1)×1 而后进行相似的运算即可绘制出图像。
