Градиентный спуск - разница между тэтой как списком и массивом numpy - PullRequest
Новая
       16

Градиентный спуск - разница между тэтой как списком и массивом numpy

0 голосов
/ 19 апреля 2020

Я реализовал алгоритм градиентного спуска, и он дает разные результаты в зависимости от того, является ли моя тэта списком типов или массивом numpy: когда тета является списком python, моя программа работает нормально, но с theta = np .zeros ((2, 1)) что-то идет не так, и моя тета очень быстро увеличивается. 

num_iter = 1500
alpha = 0.01
theta = [0, 0]
#theta = np.zeros((2, 1), dtype=np.float64)
print(theta)
def gradient_descent(x, y, theta, alpha, iteration):
    m = y.size
    i = 0
    temp = np.zeros_like(theta, np.float64)
    for i in range(iteration):
        h = x @ theta
        temp[0] = (alpha/m)*(np.sum(h - y))
        temp[1] = (alpha/m)*(np.sum((h - y)*x[:,1]))
        theta[0] -= temp[0]
        theta[1] -= temp[1]

        print("theta0 {}, theta1 {}, Cost {}".format(theta[0], theta[1], compute_cost(x, y, theta)))
    return theta, J_history


theta = gradient_descent(X, y, theta, alpha, num_iter)

Ответьте за тета как numpy array 

theta0 [5.663961], theta1 [63.36898425], Cost 15846739.108595487
theta0 [-495.73201075], theta1 [-4010.76967073], Cost 65114528414.94523
theta0 [31736.05800912], theta1 [259011.3427287], Cost 271418872442062.44
.
.
.
theta0 [nan], theta1 [nan], Cost nan
theta0 [nan], theta1 [nan], Cost nan
theta0 [nan], theta1 [nan], Cost nan

Ответьте, когда theta это список 

theta0 0.05839135051546392, theta1 0.6532884974555672, Cost 6.737190464870008
theta0 0.06289175271039384, theta1 0.7700097825599365, Cost 5.9315935686049555
.
.
.
theta0 -3.6298120050247746, theta1 1.166314185951815, Cost 4.483411453374869
theta0 -3.6302914394043593, theta1 1.166362350335582, Cost 4.483388256587725

1 Ответ

0 голосов
/ 19 апреля 2020

Ваши две тэты имеют разные формы: theta = [0,0] имеет форму (1,2), но theta = np.zeros((2,1)) имеет форму (2,1). Так что если x имеет форму (n,), то x @ theta дает (1, n) для первого или (n, 1) для второго.

Например, 

t1 = [0,0]
t2 = np.zeros((2,1))
t3 = np.zeros((2,))
x = np.arange(6).reshape(3,2)

x @ t1
# array([0, 0, 0])

x @ t2
# array([[0.],
#        [0.],
#        [0.]]) 

x @ t3
# array([0, 0, 0])

Изменение на theta = np.zeros((2,)) - это (я думаю) быстрое решение.

...