一、实验内容

理解单变量线性回归问题；
理解最小二乘法；
理解并掌握梯度下降法的数学原理；
利用python对梯度下降法进行代码实现；

二、实验过程

1、算法思想

梯度下降法是一阶最优化算法。 要使用梯度下降法找到一个函数的局部极小值，必须向函数上当前点对应梯度（或者是近似梯度）的反方向的规定步长距离点进行迭代搜索。

最小二乘法，也叫做最小平方法，它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合。其他一些优化问题也可通过最小化能量或最小二乘法来表达。

2、算法原理

梯度下降法是迭代法的一种，可以用于求解最小二乘问题。在求解机器学习算法的模型参数，即无约束优化问题时，梯度下降法和最小二乘法是最常采用的方法。

在求解损失函数的最小值时，可以通过梯度下降法来迭代求解，得到最小化的损失函数和模型参数值。

3、算法分析

（1）确定当前位置的损失函数的梯度，对于，其梯度表达式为：

（2）用步长乘以损失函数的梯度，得到当前位置下降的距离，即。

（3）确定是否所有的梯度下降的距离都小于，如果小于则算法终止，当前所有的

即为最终结果。否则进入第（4）步。

（4）更新所有的，更新表达式如下，更新完成后转入步骤（1）：

三、源程序代码

import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D
 
 
# 求fx的函数值
def fx(x, y):
    return (x - 10) ** 2 + (y - 10) ** 2
 
 
def gradient_descent():
    times = 100  # 迭代次数
    alpha = 0.05  # 学习率
    x = 20  # x的初始值
    y = 20  # y的初始值
 
    fig = Axes3D(plt.figure())  # 将画布设置为3D
    axis_x = np.linspace(0, 20, 100)  # 设置X轴取值范围
    axis_y = np.linspace(0, 20, 100)  # 设置Y轴取值范围
    axis_x, axis_y = np.meshgrid(axis_x, axis_y)  # 将数据转化为网格数据
    z = fx(axis_x, axis_y)  # 计算Z轴数值
    fig.set_xlabel('X', fontsize=14)
    fig.set_ylabel('Y', fontsize=14)
    fig.set_zlabel('Z', fontsize=14)
    fig.view_init(elev=60, azim=300)  # 设置3D图的俯视角度，方便查看梯度下降曲线
    fig.plot_surface(axis_x, axis_y, z, rstride=1, cstride=1, cmap=plt.get_cmap('rainbow'))  # 作出底图
 
    for i in range(times):
        x1 = x
        y1 = y
        f1 = fx(x, y)
        print("第%d次迭代：x=%f，y=%f，fxy=%f" % (i + 1, x, y, f1))
        x = x - alpha * 2 * (x - 10)
        y = y - alpha * 2 * (y - 10)
        f = fx(x, y)
        fig.plot([x1, x], [y1, y], [f1, f], 'ko', lw=2, ls='-')
    plt.show()
 
 
if __name__ == "__main__":
    gradient_descent()

四、运行结果分析

线性回归的梯度下降法——机器学习-LMLPHP

五、实验总结

线性回归求解可以使用最小二乘法和梯度下降法，下面我们针对两种方法进行对比：

相同点：本质和目标相同，两种都是经典的学习算法，在给定已知数据的情况下，利用求导算出一个模型(函数)，使得损失函数最小，然后对给定的新数据进行估算预测。

不同点：

损失函数的选择：最小二乘法必须使用平方损失函数，而梯度下降可以选取其它函数；

实现方法不同，最小二乘法是实现全局最小，而梯度下降是一种迭代法；

一般最小二乘法一定可以得到全局最小，但对于多元计算繁琐，且复杂情况下未必有解。

而梯度下降的迭代比较简单，但找到的一般是局部最小，即极小值，仅在目标函数是下凸函数是才是全局最小，到最小点的收敛速度会变慢，且对初始点的选择极为敏感，而且步长的选择对损失函数也有影响。