从零开始-Machine Learning学习笔记(7)-Linear Regression的python手工实现(不使用第三方库)

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/kabuto_hui/article/details/80006466

从零开始-Machine Learning学习笔记(7)-Linear Regression的python手工实现(不使用第三方库)

​ 最近刚刚做完华为2018软件精英挑战赛，本次比赛不让使用第三库，所以一些算法不得不“手工”实现。所以在不使用第三方库的情况下实现了一些算法并将其整理一下发到了博客上。

​ 因为numpy也是第三方库，所以要实现线性回归算法，就不能使用矩阵的操作。当然这里也有一些大神实现了矩阵的运算，在此暂且不表。

​ 其原理在之前的博客中也提到了从零开始-Machine Learning学习笔记(2)-Linear Regression(线性回归)。主要是进行梯度下降的运算操作。

具体算法实现如下：

# -*- coding: utf-8 -*-
'''
Linear Regression(线性回归算法)的手工实现(无第三方库)
Author : Kabuto_hui
Date   : 2018.04.16
'''

def compute_error(w,data):
"""
计算误差
:param w:       求解参数
:param data:    传入数据
:return:        当前误差
"""
error_count = 0
for i in range(len(data)):
x = data[i][:len(data[i]) - 1]  #取出x， list
y = data[i][-1]                 #取出y

error_count = error_count + (w_mul_x(w, x) - y)**2

return error_count / (2 * len(data))

def mean_normlization(x):
'''
均值归一化：(x - s) /（max - min）,其中s是均值
:param x: 数据序列，list
:return: 返回处理好的数据
'''
mean_x = sum(x) / len(x)
x_temp = [(i - mean_x) / (max(x) - min(x)) for i in x]
return x_temp

def w_mul_x(w,x):
"""
模拟矩阵运算，计算两个向量的数量积
:param w:   w
:param x:   x
:return:    计算结果
"""
sum_wx = 0
for (i, j) in zip(w, x):
sum_wx = sum_wx + i * j
return sum_wx

def compute_gradient(w,data,learning_rate):
"""
计算梯度下降
:param w:               求解参数list
:param data:            训练数据list[list,list]
:param learning_rate:   学习率
:return:                返回当前w的更新结果
"""
w_temp = [0 for n in range(len(w))]             #w的计算结果临时存储，最后一起更新
partial_diff = [0 for m in range(0,len(data))]  #用于存储偏微分方程城的结果

for j in range(0,len(w)):
for i in range(0,len(data)):
x = data[i][:len(data[i]) - 1]
y = data[i][-1]
partial_diff[i] = (w_mul_x(w, x) - y) * x[j]  #计算偏微分
w_temp[j] = w[j] - learning_rate * sum(partial_diff) / len(data)

#同时更新w
w = w_temp
return w

def LinearRegression(w_initial, data, learning_rate, iterations):
"""
线性回归算法
:param w_initial:       求解参数
:param data:            训练数据, list[list] --->每个训练样例占
:param learning_rate:   学习率
:param iterations:      迭代次数
:return:                返回训练好的参数
"""
w = w_initial

for i in range(iterations):
w = compute_gradient(w, data, learning_rate)
return w

if __name__ == "__main__":
# x1+x2 = y
data = [[0.1,0.2,0.3],\
[0.2,0.3,0.5],\
[0.1,0.4,0.5],\
[0.2,0.2,0.4],\
[0.3,0.4,0.7],\
[0.5,0.6,1.1],\
[0.7,0.8,1.5],\
[1.2,1.3,2.5],\
[0.9,1.1,2.0],\
[0.4,0.5,0.9]]

w_initial = [0,0]
learning_rate = 0.1
iterations = 1000

w = LinearRegression(w_initial, data, learning_rate, iterations)

print(w)

更多的算法实现可以去我的Github。如果觉得有帮助的话请别忘了点个Star~~~

阅读更多