笔记|李宏毅老师机器学习课程，视频4回归示例-轻识

△ 是新朋友吗？记得先点数据科学与人工智能关注我哦～

《学习笔记》专栏·第4篇

文 | MLer

1965字 | 6分钟阅读

【数据科学与人工智能】开通了机器学习群，大家可以相互学习和交流。请扫描下方二维码，备注：姓名-ML，添加我为好友，诚邀你入群，一起进步。

感谢李宏毅老师的分享，他的课程帮助我更好地学习、理解和应用机器学习。李老师的网站：http://speech.ee.ntu.edu.tw/~tlkagk/index.html。这个学习笔记是根据李老师2017年秋季机器学习课程的视频和讲义做的记录和总结。因为这个视频是在Youtube上面，有些朋友可能无法观看，我把它搬运下来放在云盘上面，大家点击阅读原文，就可以直接在手机随时随地观看了。再次，感谢李老师的付出和贡献。

这门课，共有36个视频，每个视频播放的时间不一。我按着视频播放的顺序，观看，聆听和学习，并结合讲义，做学习笔记。我做学习笔记目的有三：

1 帮助自己学习和理解机器学习

2 记录机器学习的重要知识、方法、原理和思想

3 为传播机器学习做点事情

视频4：回归示例

一、梯度下降法寻找best function

一个简单的一元线性回归为例，演示梯度下降算法寻找best function的过程。

程式采用Python3和Jupyter notebook 来示范。你若是要运行这些代码，请先构建好Python和数据科学的工作环境，推荐安装Anaconda软件。

代码如下：

1 导入所需Python库

import numpy as npimport matplotlib.pyplot as plt
%matplotlib inline

2 模拟数据设计和生成

x_data = [338., 333., 328., 207., 226., 25., 179., 60., 208., 606.]y_data = [640., 633., 619., 393., 428., 27., 193., 66., 226., 1591.]
# ydata = b + w * xdata

3 穷举b和w在一定范围里面所对应的Loss的值

x = np.arange(-200, -100, 1) # biasy = np.arange(-5, 5, 0.1) # weightZ = np.zeros((len(x), len(y)))
for i in range(len(x)):    for j in range(len(y)):        b = x[i]        w = y[j]        Z[j][i] = 0        for n in range(len(x_data)):            Z[j][i] = Z[j][i] + (y_data[n] - b - w * x_data[n]) ** 2        Z[j][i] = Z[j][i]/len(x_data)

4 利用梯度下降算法寻找Best function所对应的最佳的参数w和b

# 利用梯度下降算法# ydata = b + w * xdatab = -120 # initial bw = -4 # initial wlr = 0.0000001 # learning rateiteration = 100000 # 迭代次数
# 记录初始值，用于可视化b_history = [b]w_history = [w]
# Iterationsfor i in range(iteration):    b_grad = 0.0    w_grad = 0.0    for n in range(len(x_data)):        b_grad = b_grad - 2.0 * (y_data[n] - b - w * x_data[n]) * 1.0        w_grad = w_grad - 2.0 * (y_data[n] - b - w * x_data[n]) * x_data[n]            # update parameters    b = b - lr * b_grad    w = w - lr * w_grad        # 记录用来画图的参数值    b_history.append(b)    w_history.append(w)    # 绘制可视化plt.contourf(x, y, Z, 50, alpha=0.5, cmap=plt.get_cmap('jet'))plt.plot([-188.4], [2.67], 'x', ms=12, markeredgewidth=3, color='orange')plt.plot(b_history, w_history, 'o-', ms=3, lw=1.5, color='black')plt.xlim(-200, -100)plt.ylim(-5, 5)plt.xlabel(r'$b$', fontsize=16)plt.ylabel(r'$w$', fontsize=16)
plt.show()

结果1：

横纵表示bias的取值，纵轴表示weight的取值，不同颜色用于区分在（b,w）下的Loss值差异，颜色越深，表示Loss值越大。黄色的叉表示最佳的(b,w)。我们当前的学习速率，经过10万次迭代后，没有找到最佳的（b,w），修改学习速率的值，放大10倍后，见结果2：

我们发现离黄色的叉还是有一定距离，我们继续把学习速率放大10倍，见结果3：

此时，已经无法收敛到黄色的叉位置。我们如何解决这个问题？这个时候要采用梯度下降算法的变体，对b和w采用不同的学习速率来更新参数的值，代码如下：

# 利用梯度下降算法# 给b,w 特质化的学习率# ydata = b + w * xdatab = -120 # initial bw = -4 # initial wlr = 1 # learning rateiteration = 100000 # 迭代次数
# 记录初始值，用于可视化b_history = [b]w_history = [w]
lr_b = 0lr_w = 0
# Iterationsfor i in range(iteration):    b_grad = 0.0    w_grad = 0.0    for n in range(len(x_data)):        b_grad = b_grad - 2.0 * (y_data[n] - b - w * x_data[n]) * 1.0        w_grad = w_grad - 2.0 * (y_data[n] - b - w * x_data[n]) * x_data[n]              lr_b = lr_b + b_grad ** 2    lr_w = lr_w + w_grad ** 2            # update parameters    b = b - lr/np.sqrt(lr_b) * b_grad    w = w - lr/np.sqrt(lr_w) * w_grad        # 记录用来画图的参数值    b_history.append(b)    w_history.append(w)    # 绘制可视化plt.contourf(x, y, Z, 50, alpha=0.5, cmap=plt.get_cmap('jet'))plt.plot([-188.4], [2.67], 'x', ms=12, markeredgewidth=3, color='orange')plt.plot(b_history, w_history, 'o-', ms=3, lw=1.5, color='black')plt.xlim(-200, -100)plt.ylim(-5, 5)plt.xlabel(r'$b$', fontsize=16)plt.ylabel(r'$w$', fontsize=16)
plt.show()