Линейная регрессия для нескольких переменных не работает должным образом - PullRequest
Новая
       16

Линейная регрессия для нескольких переменных не работает должным образом

0 голосов
/ 26 июня 2019

Когда я использую этот код для линейной регрессии с одной переменной, тэта вычисляется правильно, но когда для мульти-переменной она выдает странный вывод для тэты.

Я пытаюсь преобразовать свой октавный код, чтобыЯ написал, когда взял курс Эндрю Нга.

Это основной вызывающий файл: 


m = data.shape[0]

a = np.array(data[0])
a.shape = (m,1)
b = np.array(data[1])
b.shape = (m, 1)
x = np.append(a, b, axis=1)
y = np.array(data[2])

lr = LR.LinearRegression()
[X, mu, sigma] = lr.featureNormalize(x)
z = np.ones((m, 1), dtype=float)
X = np.append(z, X, axis=1)
alpha = 0.01
num_iters = 400
theta = np.zeros(shape=(3,1))
[theta, J_history] = lr.gradientDescent(X, y, theta, alpha, num_iters)
print(theta)

А вот содержимое класса: 

class LinearRegression:
    def featureNormalize(self, data):#this normalizes the features
        data = np.array(data)
        x_norm = data
        mu = np.zeros(shape=(1, data.shape[1]))#creates mu vector filled with zeros
        sigma = np.zeros(shape=(1, data.shape[1]))

        for i in range(0, data.shape[1]):
            mu[0, i] = np.mean(data[:, i])
            sigma[0, i] = np.std(data[:, i])

        for i in range(0, data.shape[1]):
            x_norm[:, i] = np.subtract(x_norm[:, i], mu[0, i])
            x_norm[:, i] = np.divide(x_norm[:, i], sigma[0, i])

        return [x_norm, mu, sigma]

    def gradientDescent(self, X, y, theta, alpha, num_iters):
        m = y.shape[0]
        J_history = np.zeros(shape=(num_iters, 1))

        for i in range(0, num_iters):
            predictions = X.dot(theta) # X is 47*3 theta is 3*1 predictions is 47*1
            theta = np.subtract(theta , (alpha / m) * np.transpose((np.transpose(np.subtract(predictions ,y))).dot(X))) #1*97 into 97*3
            J_history[i] = self.computeCost(X, y, theta)
        return [theta, J_history]

    def computeCost(self, X, y, theta):
        warnings.filterwarnings('ignore')
        m = X.shape[0]
        J = 0
        predictions = X.dot(theta)
        sqrErrors = np.power(predictions - y, 2)
        J = 1 / (2 * m) * np.sum(sqrErrors)
        return J

Я ожидалтета, которая будет матрицей 3 * 1.Согласно курсу Эндрю, моя октавная реализация производила тэта 

334302.063993 
 100087.116006 
 3673.548451

Но в реализации на Python я получаю очень странный вывод: 

[[384596.12996714 317274.97693463 354878.64955708 223121.53576488
  519238.43603216 288423.05420641 302849.01557052 191383.45903309
  203886.92061274 233219.70871976 230814.42009498 333720.57288972
  317370.18827964 673115.35724932 249953.82390212 432682.6678475
  288423.05420641 192249.97844569 480863.45534211 576076.72380674
  243221.70859887 245241.34318985 233604.4010228  249953.82390212
  551937.2817908  240336.51632605 446723.93690857 451051.7253178
  456822.10986344 288423.05420641 336509.59208678 163398.05571747
  302849.01557052 557707.6...................... this goes on for long

Тот же самый код работает абсолютно нормально в Single Variableнабор данных.Он также отлично работает в октаве, но мне кажется, что я пропускаю какую-то точку на 2+ часа.Рад получить вашу помощь.

1 Ответ

1 голос
/ 27 июня 2019

Попробуйте в GradientDescent следующую вторую строку цикла for: 

theta=theta-(alpha/m)*X.T.dot(X.dot(theta)-y)

Также, если вы хотите добавить столбец из них, это проще сделать так: 

np.c_[np.ones((m,1)),data]
...