使用梯度下降优化参数的线性回归(Linear Regression)matlab代码

最新推荐文章于 2024-10-20 19:00:04 发布

原创最新推荐文章于 2024-10-20 19:00:04 发布 · 1.5k 阅读

4 ·

本内容遵循CC 4.0 BY-SA版权协议

标签

#线性回归 #matlab #算法

代码学习专栏收录该内容

1 篇文章

订阅专栏

本文介绍如何使用线性回归进行数据拟合，并通过梯度下降法优化参数以达到最佳预测效果。文中详细展示了MATLAB实现过程，包括数据导入、参数优化、绘图展示及结果分析。

一、解释

线性回归：使用直线对数据拟合，达到预测效果

为了评价拟合的效果，需要一个评价函数 J（或称，损失函数）,如下：

$J(w)=\sum_{i=1}^{m}(y_{i}-x_{i}w_{i})^{^{2}}$ ，其是参数 w 的函数

当评价函数达到最小（估计值与实际值差距最小），拟合效果最佳

梯度下降：一种寻优（eg：找到函数最值）手段

综上，目标转化为寻找最佳的w值使得评价函数最小

而，参数 w 更新（迭代）的公式如下：

$w_{i}^{1}=w_{i}^{0}-\alpha\frac{\partial J(w))}{\partial w_{i}}$

二、matlab 代码

1.引入数据

代码如下（示例）：

%数据 data=[ 2.92887826637931 3.21836590215517 2.12771740086207 1.98811333310345 1.33286091547414 1.19538487534483 0.982254900646552 0.860660796896552 0.767939403965517 0.621031541293104 0.504935130301724 0.436285662931034 0.406308128189655 0.351795786767241 0.331874443017241 0.272457624956897 ]; x(:,2)=1:length(data); x(:,1)=ones(length(x(:,2)),1); scatter(x(:,2),data,[],linspace(1,10, ... length(data)));%绘制散点图

2.梯度下降优化参数

ite=1;%计数器 theta(:,1)=rand(2,1);%初始化参数 y_bar=x*theta(:,ite);%估计值 error=y_bar-data;%计算误差 MSE(ite,1)=sum(error.^2);%计算均方误差 while ite<100000 %设置退出条件 pian_theta=sum(error.*x)/length(data); alpha=0.0002;%学习率 theta(:,ite+1)=theta(:,ite)-alpha*pian_theta';%更新并记录下参数的变化 ite=1+ite; y_bar=x*theta(:,ite); error=y_bar-data; MSE(ite,1)=sum(error.^2); end

3.绘图

%MSE迭代与参数变化情况 plot(MSE); title('iteration of MSE','FontWeight','bold'); plot(theta(1,:)); hold on plot(theta(2,:)); hold off title('iteration of theta 1&2','FontWeight','bold'); legend(["theta1","theta2"]); ax = gca; chart = ax.Children(2); datatip(chart,5.181e+04,2.486,"Location","southwest"); chart = ax.Children(1); datatip(chart,8.696e+04,-0.176)

4.结果

%画出拟合直线 scatter(x(:,2),data,[],linspace(1,10, ... length(data))); hold on plot(x(:,2),y_bar,'LineWidth',2); hold off legend(["data","Fit"]); title('Fit','FontWeight','bold');