بتل کد Battle Codeدارد باز می‌شود…

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