One Step Downhill چالش 4 از جلسهی 25، متوسط
یک قدم گرادیان کاهشی را کامل کن: گرادیانها را بگیر و هر وزن را با w = w - lr * g بهروز کن. برنامه خطا را قبل و بعد از قدم چاپ میکند (گرد با یک رقم): before 11962.5 و after 9910.5. اگر علامت را اشتباه بگیری، خطا بزرگتر میشود.
X = [[5, 1], [8, 2], [10, 3], [12, 3]]
y = [60, 95, 125, 140]
def mse(X, y, w1, w2, b):
total = 0
for i in range(len(X)):
total += (w1 * X[i][0] + w2 * X[i][1] + b - y[i]) ** 2
return total / len(X)
def gradients(X, y, w1, w2, b):
g1 = g2 = gb = 0
for i in range(len(X)):
error = (w1 * X[i][0] + w2 * X[i][1] + b) - y[i]
g1 += error * X[i][0]
g2 += error * X[i][1]
gb += error
n = len(X)
return g1 / n, g2 / n, gb / n
w1 = w2 = b = 0.0
lr = 0.001
print("before", round(mse(X, y, w1, w2, b), 1))
# one step: compute gradients, update w1, w2, b
print("after", round(mse(X, y, w1, w2, b), 1))
راهنما و جواب این چالش · برگشت به درس جلسهی 25: رگرسیون با دو ویژگی · چالش بعدی: Train for 200 Steps
بیشتر بخوان: تابع در پایتون: آموزش def، پارامتر و return با مثال