Python 机器学习 线性回归 梯度下降法优化损失函数

​

Python 机器学习中，梯度下降法是一种用于优化线性回归模型（以及其他机器学习算法）的损失函数的通用算法。目的是通过迭代地调整模型的参数（权重和截距），以最小化损失函数，例如均方误差（MSE）。梯度下降的基本思想是计算损失函数相对于每个参数的梯度（即偏导数），然后朝着减少损失的方向调整参数。这个过程重复进行，直到损失函数收敛到最小值或达到预定的迭代次数。

 参考文档：Python 机器学习 线性回归 梯度下降法优化损失函数-CJavaPy

1、线性回归

线性回归是一种监督学习算法，用于模型化特征和目标变量之间的线性关系。它试图找到一条直线（在二维空间中）或一个超平面（在多维空间中），以便最好地拟合给定数据点。线性回归的目标是最小化预测值和实际值之间的差异，通常使用均方误差（MSE）作为损失函数来衡量这种差异。

参考文档：Python 机器学习 线性回归算法

2、损失函数

为了训练机器学习模型，需要一个评价标准来衡量模型的性能。损失函数提供了这样一个标准，通过最小化损失函数来优化模型参数。损失函数（有时称为成本函数）衡量模型预测值与实际值之间的差异。对于线性回归，常用的损失函数是均方误差（MSE）。公式代码如下，

import numpy as np

# 假设 X 是输入特征矩阵，y 是目标值向量
X = np.array([[1, 2], [1, 3], [1, 4], [1, 5]]) # 添加了一列1作为x0，以便处理截距项
y = np.array([5, 7, 9, 11])

# 初始化模型参数，theta0为截距，theta1, theta2为斜率
theta = np.array([0.1, 0.2])

# 线性回归模型的预测函数
def predict(X, theta):
    return X.dot(theta)

# 计算损失函数（MSE）
def compute_loss(X, y, theta):
    m = len(y)
    y_pred = predict(X, theta)
    loss = (1 / (2 * m)) * np.sum(np.square(y_pred - y))
    return loss

# 计算损失值
loss = compute_loss(X, y, theta)
print(f"Loss: {loss}")

参考文档：Python 机器学习 线性回归算法

3、梯度下降

梯度下降法是一种用来优化线性回归模型中损失函数的算法。它通过不断迭代模型的参数（权重和截距），以减少损失函数的值，从而找到损失函数的最小值。这一过程是通过计算损失函数对每个参数的梯度（偏导数）并根据这些梯度更新参数来实现的。对于线性回归，通常使用均方误差（MSE）作为损失函数。公式代码如下，

import numpy as np

# 模拟数据
np.random.seed(42)
X = 2 * np.random.rand(100, 1)
y = 4 + 3 * X + np.random.randn(100, 1)

# 添加截距项到X
X_b = np.c_[np.ones((100, 1)), X]  # 添加x0 = 1到每个实例

# 梯度下降参数
learning_rate = 0.01
n_iterations = 1000
m = len(X_b)

# 随机初始化参数
theta = np.random.randn(2, 1)

# 梯度下降
for iteration in range(n_iterations):
    gradients = 2/m * X_b.T.dot(X_b.dot(theta) - y)
    theta -= learning_rate * gradients

print("模型参数:", theta)

predictions = X_b.dot(theta)
mse = (1/m) * np.sum((predictions - y) ** 2)
print("MSE:", mse)

SGDRegressor是scikit-learn库中用于解决回归问题的一个类，使用随机梯度下降（SGD）算法。这种方法特别适合大规模数据集，因为它每次更新模型参数时只使用数据集中的一个样本，从而减少了计算资源的需求。常用参数如下，

使用示例：Python 机器学习 线性回归 梯度下降法优化损失函数-CJavaPy