🔥作者:FrigidWinter
🔥简介:主攻机器人与人工智能领域的理论研究和工程应用,业余丰富各种技术栈。主要涉足:【机器人(ROS)】【机器学习】【深度学习】【计算机视觉】
🔥专栏:
- 《机器人原理与技术》
- 计算机视觉教程
- “机器学习”
- “嵌入式系统”
- …
内容
- 1 引例
- 2 数值解法
- 3 梯度下降算法
- 4 代码实战:Logistic回归
1 引例
给定一个如图所示的函数,如何通过计算机算法编程找到?
2 数值解法
传统方法是数值解,如图 1 所示。
如下迭代循环直到最优:
①任意给定初始值;
②随机生成增量方向,结合步长生成;
③计算比较和的大小,如果是,更新位置,否则重新生成;
④ 重复②③,直到收敛到最优。
数值解法最大的优点是编程简单,但缺点也很明显:
① 初始值的设置对结果的收敛速度影响很大;
②增量方向随机产生,效率低;
③ 容易陷入局部最优解;
④ 不能处理“高原”类型的功能。
所谓陷入局部最优解,是指当迭代进入某个最小值或其邻域时,由于步长选择不当,无论正向还是负向,学习效果都不如当前的一个,这使得无法迭代到全局最优解。 .就这个问题而言,如图所示,当迭代落入时,由于学习步长的限制,不能使用,所以迭代锁定在图中红色部分。可以看出不是预期的全局最优值。
如果存在下图所示的“高原”功能,则迭代可能不会更新。
3 梯度下降算法
梯度下降算法可以看作是数值解的改进,描述如下:
轮迭代后,自变量更新为,目标函数在Taylor中展开:
调查,然后期待,因此:
若则,迭代方向为负;否则为正。不妨设,以保证。必须指出,泰勒公式成立的条件是,所以不能太大,否则力与的距离太远,会产生残差。因此,引入学习率来减少偏移量,即
在工程中,学习率应根据实际应用合理选择。 过大,迭代会在最小值两侧振荡,算法无法收敛; 太小,学习效率会下降,算法收敛慢。
对于一个向量,上面的迭代公式被推广为
其中,为多元函数的梯度,所以迭代算法也称为梯度下降算法
梯度下降算法通过函数梯度确定每次迭代的方向和步长,提高了算法的效率。但是,原则上可以知道,该算法不能解决数值解中的初值设定、局部最优下降和偏函数锁定问题。
4 代码实战:Logistic回归
import pandas as pd
import numpy as np
import os
import matplotlib.pyplot as plt
import matplotlib as mpl
from Logit import Logit
'''
* @breif: 从CSV中加载指定数据
* @param[in]: file -> 文件名
* @param[in]: colName -> 要加载的列名
* @param[in]: mode -> 加载模式, set: 列名与该列数据组成的字典, df: df类型
* @retval: mode模式下的返回值
'''
def loadCsvData(file, colName, mode='df'):
assert mode in ('set', 'df')
df = pd.read_csv(file, encoding='utf-8-sig', usecols=colName)
if mode == 'df':
return df
if mode == 'set':
res = {}
for col in colName:
res[col] = df[col].values
return res
if __name__ == '__main__':
# ============================
# 读取CSV数据
# ============================
csvPath = os.path.abspath(os.path.join(__file__, "../../data/dataset3.0alpha.csv"))
dataX = loadCsvData(csvPath, ["含糖率", "密度"], 'df')
dataY = loadCsvData(csvPath, ["好瓜"], 'df')
label = np.array([
1 if i == "是" else 0
for i in list(map(lambda s: s.strip(), list(dataY['好瓜'])))
])
# ============================
# 绘制样本点
# ============================
line_x = np.array([np.min(dataX['密度']), np.max(dataX['密度'])])
mpl.rcParams['font.sans-serif'] = [u'SimHei']
plt.title('对数几率回归模拟\nLogistic Regression Simulation')
plt.xlabel('density')
plt.ylabel('sugarRate')
plt.scatter(dataX['密度'][label==0],
dataX['含糖率'][label==0],
marker='^',
color='k',
s=100,
label='坏瓜')
plt.scatter(dataX['密度'][label==1],
dataX['含糖率'][label==1],
marker='^',
color='r',
s=100,
label='好瓜')
# ============================
# 实例化对数几率回归模型
# ============================
logit = Logit(dataX, label)
# 采用梯度下降法
logit.logitRegression(logit.gradientDescent)
line_y = -logit.w[0, 0] / logit.w[1, 0] * line_x - logit.w[2, 0] / logit.w[1, 0]
plt.plot(line_x, line_y, 'b-', label="梯度下降法")
# 绘图
plt.legend(loc='upper left')
plt.show()
版权声明:本文为博主FrigidWinter原创文章,版权归属原作者,如果侵权,请联系我们删除!
原文链接:https://blog.csdn.net/FRIGIDWINTER/article/details/122776239