可视化-numpy实现线性回归和梯度下降法

 代码如下：

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
from matplotlib.patches import Patch

# 生成二维输入数据
np.random.seed(0)
X1 = 2 * np.random.rand(100, 1)  # 第一个特征
X2 = 3 * np.random.rand(100, 1)  # 第二个特征
X = np.hstack((X1, X2))  # 将两个特征合并为二维输入

# 生成目标值 y（线性关系 + 噪声）
y = 4 + 3 * X1 + 5 * X2 + np.random.randn(100, 1)

# 添加偏置项（全为1的列）
X_b = np.c_[np.ones((100, 1)), X]

# 初始化参数 theta (theta0, theta1, theta2)
theta = np.random.randn(3, 1)

# 学习率
eta = 0.1

# 迭代次数
n_iterations = 100

# 用于存储每次迭代的损失值
loss_history = []

# 用于存储每次迭代的 theta 值
theta_history = [theta]

# 梯度下降
for iteration in range(n_iterations):
    gradients = 2 / 100 * X_b.T.dot(X_b.dot(theta) - y)  # 计算梯度
    theta = theta - eta * gradients  # 更新参数
    theta_history.append(theta)

    # 计算损失（均方误差）
    loss = np.mean((X_b.dot(theta) - y) ** 2)
    loss_history.append(loss)

# 可视化每次拟合的平面
def plot_fitted_plane(X1, X2, y, theta, iteration):
    fig = plt.figure(figsize=(10, 6))
    ax = fig.add_subplot(111, projection='3d')
    scatter = ax.scatter(X1, X2, y, color='blue', label='Data points')  # 绘制数据点

    # 生成网格点用于绘制平面
    X1_grid, X2_grid = np.meshgrid(np.linspace(X1.min(), X1.max(), 10), np.linspace(X2.min(), X2.max(), 10))
    y_grid = theta[0] + theta[1] * X1_grid + theta[2] * X2_grid  # 计算平面

    surface = ax.plot_surface(X1_grid, X2_grid, y_grid, alpha=0.5, facecolor='red')  # 绘制平面

    # 手动创建图例
    legend_elements = [
        Patch(facecolor='blue', label='Data points'),
        Patch(facecolor='red', label=f'Fitted plane (Iteration {iteration})')
    ]
    ax.legend(handles=legend_elements)

    ax.set_xlabel('X1')
    ax.set_ylabel('X2')
    ax.set_zlabel('y')
    ax.set_title(f'Linear Regression with Gradient Descent (Iteration {iteration})')
    plt.show()

# 每隔 20 次迭代绘制一次拟合平面
for i in range(0, n_iterations, 20):
    plot_fitted_plane(X1, X2, y, theta_history[i].flatten(), i)

# 绘制损失函数的变化
plt.figure(figsize=(10, 6))
plt.plot(range(n_iterations), loss_history, color='red')
plt.xlabel('Iterations')
plt.ylabel('Loss')
plt.title('Loss Function over Iterations')
plt.show()

输入  X 为2维度 ， XY 一共三维， 所以可以可视化在一个 3d 图形中。

X1 = 2 * np.random.rand(100, 1)  # 第一个特征
X2 = 3 * np.random.rand(100, 1)  # 第二个特征
X = np.hstack((X1, X2))  # 将两个特征合并为二维输入

# 生成目标值 y（线性关系 + 噪声）
y = 4 + 3 * X1 + 5 * X2 + np.random.randn(100, 1)

这是随机生成 x1 和x2 ， 然后  根据    y = 4 + 3*x1 + 5*x2 +  随机噪音来生成  y

最后会拟合为一个平面。 为啥会这样？ 

可以理解为 起点 和 两个垂直方向的向量 可以 张开一个 平面。

也可以理解为 ， 

• 如果方程中只有一个自变量（例如 y = 4 + 3 * X1），那么它是一条 直线。

• 如果有两个自变量（例如 y = 4 + 3 * X1 + 5 * X2），那么它是一个 平面。

• 如果有更多自变量（例如 y = 4 + 3 * X1 + 5 * X2 + 2 * X3），那么它是一个 超平面（在更高维空间中）。

梯度下降：

原文地址：https://blog.csdn.net/weixin_39673686/article/details/145291772

免责声明：本站文章内容转载自网络资源，如侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！