线性回归几种方法代码以及心得体会

基于上次玩了线性回归的批量梯度下降，我赶紧趁热打铁，写出了随机梯度下降、小批量梯度下降和牛顿法，发现它们真的很好玩。并且对比他们的迭代次数。

话不多说，上代码，如果不清楚我的实验数据以及背景，可查看我的上一篇博客。(96条消息) 线性回归之批量梯度下降代码实例_瞬生461的博客-CSDN博客

下面贴上我的几个下降的函数代码，仅供参考

def gradplus(alpha,nn):#为什么我取名叫做plus呢，因为矩阵运算实在是比普通标量运算快太多了
    global theta
    for k in range(nn):
        theta=theta-alpha/m*np.dot(x.T,h(x)-y)
def grad(alpha,nn):#批量梯度下降
    for k in range(nn):
        for j in range(theta.shape[0]):
            sum=0
            for i in range(m):
                sum+=(h(x[i,:])-y[i])*x[i][j]
            theta[j]=theta[j]-alpha/m*sum
        print(theta,k)
def sgd(alpha,nn):#随机梯度下降
    for k in range(nn):
        for j in range(theta.shape[0]):
            for i in range(m):
                theta[j]=theta[j]-alpha*(h(x[i,:])-y[i])*x[i][j]
                print(theta[j])
def minigd(alpha,nn):#小批量梯度下降
    for k in range(nn):
        for j in range(theta.shape[0]):
            for i in range(m-10):
                sum=0
                for ii in range(10):
                    sum+=(h(x[i+ii,:])-y[i+ii])*x[i+ii][j]
                    print(h(x[i,:]))
                theta[j]=theta[j]-alpha/m*sum

牛顿法

def h(x):    #函数
    return np.dot(x,theta)
def f1():#一阶导数
    return np.dot(2*x.T,h(x)-y)
def H():#海森矩阵，我推导过后，发现它是个单位阵
    sum=np.eye(theta.shape[0])
    sum=np.dot(2*sum,np.dot(x.T,x))
    return sum
def newtonmethod():
    global theta
    k=np.ones((theta.shape[0],1))
    while (k>es).all():#k>es为了使得变化量小于某个值
        k=np.dot(np.linalg.inv(H()),f1())#inv()求逆矩阵
        theta=theta-k
        #print('theta',theta)

对比他们的特点：

批量梯度下降迭代次数为1000次左右，学习率0.07，结果稳定。

随机梯度下降迭代次数为10次，学习率为0.03，迭代次数过大时，越过极值。

小批量梯度下降迭代次数为100次，学习率为0.07，上面两种方法折衷。

牛顿法迭代次数大约10次，且不需设置学习率。

综上我们明显看出它们之间的性能差异。我比较喜欢牛顿法，快且稳定。

望批评指正。