1-简单回归问题

一.梯度下降（gradient descent）
1.预测函数
这里有一组样本点，横纵坐标分别代表一组有因果关系的变量

我们的任务是设计一个算法，让机器能够拟合这些数据，帮助我们算出参数w

我们可以先随机选一条过原点的直线，然后计算所有点到该直线的偏离程度（即误差）

再根据误差大小调整直线的斜率w，这里的y=wx就是预测函数

2.损失函数（loss function）/代价函数（cost function）
对于一个点（x1,y1），误差e1=y1-wx1

这里使用最小平方误差（Ordinary Least Squares, OLS），即将误差平方

将所有点的误差平方再展开，其中x1，y1，n均为已知数

将其相加求平均，再合并同类项
其中a>0

即可表示为

即代价函数cost/损失函数loss

这样就完成了预测函数到代价函数的映射过程，随着左图w的增大，右图的点向右移动

3.梯度计算
我们的目的是实现损失最小，即抛物线取得最小值时参数w的值
假设起始点在曲线上任意一处，寻找最低点的过程就是梯度下降
选择的下降方向是切线方向/梯度的反方向/陡峭程度最大的方向

梯度（gradient）是代价函数的导数

4.学习率（learning rate）
每一次更新参数利用多少误差, 就需要通过一个参数来控制, 这个参数就是学习率，也称为步长。
选择最优学习率是很重要的，因为它决定了我们是否可以迅速收敛到全局最小值。
小的学习率需要多次更新才能达到最低点，并且需要花费很多时间，且很容易仅收敛到局部极小值
学习率过大会导致剧烈的更新，可能总是在全局最小值附近，但是从未收敛到全局最小值
最佳学习率迅速达到最低点

每次新的w=旧的w-斜率*学习率
其中斜率=f导=梯度

循环迭代过程：定义代价函数→选择起始点→计算梯度→按学习率前进→计算梯度→按学习率前进→…到达最低点

二.线性回归（Linear Regression）
线性回归是一种统计学和机器学习中常用的预测方法，用于建立一个自变量（或称为特征）与因变量之间的线性关系模型。它假设自变量和因变量之间存在一个线性关系，并尝试通过拟合一条最佳拟合直线（或超平面）来进行预测。线性回归的目标是通过最小化预测值与实际观测值之间的差异（误差或残差）来找到最佳拟合直线或超平面。

在简单线性回归中，只有一个自变量和一个因变量之间的关系。这可以表示为一条直线的方程：y=wx+b
通过该预测函数我们可以得到误差 e=(wx+b-y)²
误差求和得到损失函数loss

目的是找到最小loss(error)时w和b的值

对于一个二元一次方程组，我们通常使用两式相减的方式求出参数b和w的值。这种可以精确求解的我们叫做闭合解(Closed-form Solution,也称封闭解)

但实际数据是有误差的，我们只能求得近似解
即实际的y=wx+b+ε，这里的ε叫做高斯噪声，由于高斯噪声的存在使得数据有误差
通过x和y的多组数据可以使结果更接近Closed-form Solution

下面使用代码实现二元一次方程组的求解

数据下载：提取码：zn73
数据点集合的每一行表示一个数据点，第一列是自变量 x_i，第二列是因变量 y_i。

1.计算线性回归模型的误差函数
代码通过迭代遍历每个数据点，计算该数据点在回归模型下的预测值与实际观测值之间的误差。然后将每个误差的平方累加到总误差 totalError 中。最后，通过将总误差除以数据点的数量，计算出平均误差并返回。

通过索引操作 points[i,0]，我们可以获取第 i 个数据点的自变量 x 的值，因为它位于每行的第一列（索引为 0）
类似地，通过 points[i,1]，我们可以获取第 i 个数据点的因变量 y 的值，因为它位于每行的第二列（索引为 1）
b: 回归模型的截距。
w: 回归模型的斜率。
points: 数据点的集合，其中每个数据点由自变量 x 和因变量 y 组成。

def compute_error_for_line_given_points(b,w,points):
    totalError=0
    for i in range(0,len(points)):
        x=points[i,0]
        y=points[i,1]
        totalError+=(y-(w*x+b))**2
    return totalError/float(len(points))

2.梯度下降中的参数更新
首先初始化截距梯度 b_gradient 和斜率梯度 w_gradient 为 0。然后，通过迭代遍历每个数据点，计算每个数据点对应的梯度值，以便在下一步更新中使用。对于每个数据点，根据当前的截距和斜率计算出预测值，然后根据预测值与实际观测值之间的误差来计算梯度。最后，将所有数据点的梯度累加到总梯度中，并除以数据点的数量 N，以获得平均梯度。接下来使用梯度下降的更新规则来更新截距和斜率。根据当前的截距和斜率值，分别减去学习率乘以对应的梯度，得到新的截距 new_b 和斜率 new_w。最后，将更新后的截距和斜率作为列表返回。

b_current: 当前的截距值。
w_current: 当前的斜率值。
points: 数据点的集合，其中每个数据点由自变量 x 和因变量 y 组成。
learningRate: 学习率，用于控制每次更新的步长。

def step_gradient(b_current,w_current,points,learningRate):
    b_gradient=0
    w_gradient=0
    N=float(len(points))
    for i in range(0,len(points)):
        x=points[i,0]
        y=points[i,1]
        b_gradient+=(2*(w_current*x+b_current-y))/N  # 对b偏导
        w_gradient+=(2*(w_current*x+b_current-y)*x)/N  # 对w偏导
    new_b=b_current-learningRate*b_gradient
    new_w=w_current-learningRate*w_gradient
    return [new_b,new_w]

3.梯度下降算法的主要循环部分
points: 数据点的集合，其中每个数据点由自变量 x 和因变量 y 组成。
starting_b: 初始的截距值。
starting_w: 初始的斜率值。
learning_rate: 学习率，用于控制每次更新的步长。
num_iterations: 迭代次数，表示要运行梯度下降的步骤数。

import numpy as np
def gradient_decent_runner(points,starting_b,starting_w,learing_rate,num_iterations):
    b=starting_b
    w=starting_w
    for i in range(num_iterations):
        b,w=step_gradient(b,w,np.array(points),learing_rate)
    return [b,w]  # 返回最后一次迭代结果，即最终数据

4.运行

def run():
    points=np.genfromtxt("data.csv",delimiter=",")  # data.csv更换为文件的存放地址
    learning_rate=0.0001
    initial_b=0
    initial_w=0
    num_iterations=1000
    print("Starting gradient descent at b={0},w={1},error={2}".format(initial_b,initial_w,compute_error_for_line_given_points(initial_b,initial_w,points)))
    [b,w]=gradient_descent_runner(points,initial_b,initial_w,learning_rate,num_iterations)
    print("After {0} interations b={1},w={2},error={3}".format(num_iterations,b,w,compute_error_for_line_given_points(b,w,points)))

这里的np.genfromtxt 是 NumPy 库中的一个函数，用于从文本文件加载数据并生成一个 NumPy 数组。该函数可以处理各种格式的文本数据，包括逗号分隔值（CSV）文件和具有不同分隔符的文件。
例如：存在一个名为 ‘data.csv’ 的 CSV 文件，其中的数据使用逗号作为分隔符。np.genfromtxt 函数将加载该文件的数据并生成一个 NumPy 数组，存储在变量 data 中，使用 print(data) 即可打印加载的数据。

import numpy as np
# 从名为 'data.csv' 的 CSV 文件中加载数据
data = np.genfromtxt('data.csv', delimiter=',')
# 打印加载的数据
print(data)

完整代码

import numpy as np
def compute_error_for_line_given_points(b,w,points):
    totalError=0
    for i in range(0,len(points)):
        x=points[i,0]
        y=points[i,1]
        totalError+=(y-(w*x+b))**2
    return totalError/float(len(points))
def step_gradient(b_current,w_current,points,learningRate):
    b_gradient=0
    w_gradient=0
    N=float(len(points))
    for i in range(0,len(points)):
        x=points[i,0]
        y=points[i,1]
        b_gradient+=(2*(w_current*x+b_current-y))/N
        w_gradient+=(2*(w_current*x+b_current-y)*x)/N
    new_b=b_current-learningRate*b_gradient
    new_w=w_current-learningRate*w_gradient
    return [new_b,new_w]
def gradient_descent_runner(points,starting_b,starting_w,learing_rate,num_iterations):
    b=starting_b
    w=starting_w
    for i in range(num_iterations):
        b,w=step_gradient(b,w,np.array(points),learing_rate)
    return [b,w]
def run():
    points=np.genfromtxt("D:/Deep-Learning-with-PyTorch-Tutorials/lesson04-简单回归案例实战/data.csv",delimiter=",")
    learning_rate=0.0001
    initial_b=0
    initial_w=0
    num_iterations=1000
    print("Starting gradient descent at b={0},w={1},error={2}".format(initial_b,initial_w,compute_error_for_line_given_points(initial_b,initial_w,points)))
    [b,w]=gradient_descent_runner(points,initial_b,initial_w,learning_rate,num_iterations)
    print("After {0} interations b={1},w={2},error={3}".format(num_iterations,b,w,compute_error_for_line_given_points(b,w,points)))
run()

运行结果