下图是一个房屋尺寸和价格的关系表:
可以认为它们存在一个线性的关系y=kx+b,当时,如何找到这个关系是什么呢,k和b是多少呢?
http://www.jianshu.com/p/732323ce3961 在这边文章,直接调用了sklearn的库函数去拟合它们,直接返回一个一次函数,作为拟合结果。
试着打破这个黑箱函数,看一下是如何找到这个函数的?
首先假设这个函数是 h=θ0+θ1x
希望 h=θ0+θ1x ,与真实的y的差距是最小的
-
也就是说,假设有一个代价函数J
4.函数J 的大小至于θ0,θ1有关
5.那我们可以在一定范围内穷举θ0,θ1,找到对应的J(θ0,θ1),顺便以图形的方式显示出来。
实现
假设输入数据是x=[1,2,3,4,5,6,7],y=[4,7,10,13,16,19,21] 。这个是y=3x+1函数的几个点。拟合的最好的结果是θ0=1,θ1=3
1.需要的库和输入数据
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from mpl_toolkits.mplot3d import Axes3D
fig=plt.figure()
ax=Axes3D(fig)
#输入的数据
x=[1,2,3,4,5,6,7]
y=[4,7,10,13,16,19,21]
#θ0,θ1的取值范围和精度
parameter0=np.arange(-10,10,0.2)
parameter1=np.arange(-10,10,0.2)
2.根据θ0,θ1的取值范围,来计算J
def func_j(p0,p1):
sum=0
for i in range(0,7):
h=p0+p1*x[i]
sum+=(h-y[i])**2
sum=sum/14
return sum
parameter0,parameter1=np.meshgrid(parameter0,parameter1)
z=func_j(parameter0,parameter1)
3.输出图片和显示最小值
surf=ax.plot_surface(parameter0,parameter1,z)
min_value=np.min(z)
min_index=np.argmin(z)
print (np.unravel_index(min_index,z.shape))
min_point=np.unravel_index(min_index,z.shape)
min_x=min_point[0]
min_y=min_point[1]
print (parameter0[min_x][min_y])
print (parameter1[min_x][min_y])
plt.show()
运行结果:
输出的值是:
θ0=1.6,θ1=2.8
PS:
这个结果和预期并不符合,预期应该是θ0=1,θ1=3
原因是:
y=[4,7,10,13,16,19,21]
这里y的最后一个值写错了,应该是22。
改了之后的输出结果是θ0=1,θ1=3
感谢@偶有所思的提醒。
源码:
https://github.com/zhaozhengcoder/Machine-Learning/blob/master/MinCostFunction.py
PPS:
这里是使用类似于穷举θ0,θ1的取值范围来找到函数J的最小值。因为θ0,θ1和J的值正好可以映射再一个三维的空间里面,这样就很方便的通过画出图来找到最小值点。
当时如果问题的维度变得更加复杂的时候,这样的方法就不管用了。比如
与房价相关的除了面积,还有地理位置等。
y=θ0+θ1*x+θ2*x
那么代价函数J,就会与θ0,θ1,θ2有关。那么这个映射关系就是一个四维的关系。那么刚才的方式就不管用了。
那么应该如何就代价函数的最小值呢?
答案是:梯度下降。
关于梯度下降 :
http://www.jianshu.com/p/200591639c2c