您可以捐助,支持我们的公益事业。

1元 10元 50元





认证码:  验证码,看不清楚?请点击刷新验证码 必填



  求知 文章 文库 Lib 视频 iPerson 课程 认证 咨询 工具 讲座 Model Center   Code  
会员   
   
 
     
   
 订阅
  捐助
线性回归算法Matlab实现
 
   次浏览      
 2018-9-29 
 
编辑推荐:

本文来自于csdn,本文将通过以OCR(光学字符识别)的场景来介绍深度学习在计算机视觉中的应用。

一,单变量线性回归:

1. 数据分布,x轴是属性城市人口,y轴是标签值盈利:

2. 目的:使用一个线性函数去拟合上面这些数据;

该线性函数如下只有两个参数,利用梯度下降找出使损失值最小时,对应的两个参数值,即得到了线性函数。

算法三要素:

1)设置线性函数,即假设函数(Hypothesis);

2)选定损失函数 J,

3)梯度下降,找到使得J值最小时,对应的theta_0, theta_1。

J值最小,预测的h_theta(x)值就会越接近标签纸y

3. 梯度下降:

找损失函数J的最小值,高数知识可知对函数求导等于零,对应的点即为极值点,但有些函数不能直接求出倒数值,所以需要梯度下降逐渐的趋向最小值。

梯度下降过程如下所示,便于分析,这里假设线性函数为 theta_1 * x, 没有 theta_0,theta = theta - alpha * K, K即为斜率,迭代变化\theta_1值,使得J值为0

其中,迭代过程:

4. Matlab实现:

clc;
clear;
data = load('D:/Code/Data/ex1data1.txt');
X = data(:,1);
y = data(:,2);
figure,plot(X, y, 'r*', 'MarkerSize', 5); % 5控制*的大小
% x加了一列,变成 (97,2)
m = length(y);
X = [ones(m, 1), data(:,1)];
% 初始化参数
theta = zeros(2, 1);
% Some gradient descent settings
iterations = 1500;
alpha = 0.01;% 梯度下降,找到最佳参数
theta = gradientDescent(X, y, theta, alpha, iterations);
hold on;
% keep previous plot visible
plot(X(:,2), X*theta, '-')
legend('Training data', 'Linear regression')
hold off

 

function theta = gradientDescent(X, y, theta, alpha, num_iters)
m = length(y);
% 样本数量
for iter = 1:num_iters
H = X * theta;
%(97,2)*(2*1)=(97,1)
Sum = [0 ; 0]; %(2,1),记录偏导,求和
% theta_0更新
for i = 1 : m
Sum(1,1) = Sum(1,1) + (H(i) - y(i));
end
% theta_1更新
for i = 1 : m
Sum(2,1) = Sum(2,1) + (H(i) - y(i)) * X(i,2)';
end
theta = theta - (alpha * Sum) / m;
end
end

关键代码:

Sum = [0 ; 0]; %(2,1),记录偏导,求和
% theta_0更新
for i = 1 : m
Sum(1,1) = Sum(1,1) + (H(i) - y(i));
end
% theta_1更新
for i = 1 : m Sum(2,1) = Sum(2,1) + (H(i) - y(i)) * X(i,2)';
end
theta = theta - (alpha * Sum) / m;

 

5. 效果如下:

二,多变量的线性回归

1. 多变量的例子,如下

2. 数据集下载点击打开链接,密码:ibtb:

画出数据分布:

3. 多变量的假设函数定义:

4. 多变量的损失函数:

5. 迭代过程如下:

手推一把:

6. 多变量的线性回归,Matlab实现:

clear;
clc;
% 1,读取数据
x = load('D:\Code\Data\ex3Data\ex3x.dat'); % 两个变量房子面积,和卧室数目,一行一个样本
y = load('D:\Code\Data\ex3Data\ex3y.dat'); % 房子价格
% plot3(x(:,1), x(:,2), y, 'r*');% grid on % 画上网格
% hold on; % 后面将画上拟合的线
% 2, 处理数据
m = length(x(:,1)); % 样本数
x = [ones(m,1), x]; % x0 为1
x(:,2) = (x(:,2) - mean(x(:,2))) ./ std(x(:,2));
x(:,3) = (x(:,3) - mean(x(:,3))) ./ std(x(:,3));
plot3(x(:,1), x(:,2), y, 'r*');
grid on % 画上网格
hold off;
% 3,参数设置
iter = 1500; % 迭代次数
theta = zeros(1,3); % 线性函数的参数,为行向量
alpha = 0.01;
J = zeros(m,1);
for i = 1:iter % 以迭代次数为终止条件
% 求以当前theta为线性函数的参数时,其损失值
h = x * theta';
% 假设函数 J(i) = 1/2*m * sum((h - y).^2); % 记录每次迭代后损失值情况,但对迭代终止没有影响
theta(1,1) = theta(1,1) - alpha*(1/m)* sum((h - y) .* x(:,1)); % x(:,1)即为x_0
theta(1,2) = theta(1,2) - alpha*(1/m)* sum((h - y) .* x(:,2));
theta(1,2) = theta(1,3) - alpha*(1/m)* sum((h - y) .* x(:,3));
% theta = theta - alpha*(1/m)* sum(x'*(h - y)); % 一次性处理所有theta
end figure, % 画出损失函数随迭代次数的变化情况
plot(1:iter, J);

 

损失函数变化情况:

关键代码解释:

theta(1,1) = theta(1,1) - alpha*(1/m)* sum((h - y) .* x(:,1)); % x(:,1)即为x_0

三,正规方程(normal equation)

1. 求最佳的参数theta,除了使用梯度下降法,也可以使用正规方程,具体方式,所有样本组成一个矩阵X,矩阵的每一行为一个样本, 参数theta直接使用下面的正规公式即可得到:

2. 梯度下降法和正规方程对比:NG推荐特征数小于一万时,采用正规方程

3. 正规方程的推导过程:如果 y = X * theta,则损失函数值为0,即找到最佳theta。即已知y = X * theta,求theta?

   
次浏览       
相关文章

基于图卷积网络的图深度学习
自动驾驶中的3D目标检测
工业机器人控制系统架构介绍
项目实战:如何构建知识图谱
 
相关文档

5G人工智能物联网的典型应用
深度学习在自动驾驶中的应用
图神经网络在交叉学科领域的应用研究
无人机系统原理
相关课程

人工智能、机器学习&TensorFlow
机器人软件开发技术
人工智能,机器学习和深度学习
图像处理算法方法与实践