بتل کد Battle Codeدارد باز می‌شود…

جواب «Train for 200 Steps» چالش 5 از جلسه‌ی 25

سؤال

تابع train(X, y, lr, steps) بنویس که از وزن‌های صفر شروع کند، steps بار قدم گرادیان کاهشی بردارد و در آخر (w1, w2, b) را برگرداند. برنامه با lr=0.001 و ۲۰۰ قدم آموزش می‌دهد و خطای پایانی را گرد با یک رقم چاپ می‌کند: final error 6.7. بعد قیمت خانه‌ی [9, 2] را گرد با عدد صحیح چاپ می‌کند: predicted 107.

راهنما

for step in range(steps): g1, g2, gb = gradients(X, y, w1, w2, b) و سه خط به‌روزرسانی.

یک جواب درست

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


def train(X, y, lr, steps):
    w1 = w2 = b = 0.0
    for step in range(steps):
        g1, g2, gb = gradients(X, y, w1, w2, b)
        w1 = w1 - lr * g1
        w2 = w2 - lr * g2
        b = b - lr * gb
    return w1, w2, b


w1, w2, b = train(X, y, 0.001, 200)
print("final error", round(mse(X, y, w1, w2, b), 1))
print("predicted", round(w1 * 9 + w2 * 2 + b))

اول خودت امتحان کن؛ جواب‌های دیگر هم قبول است. برگرد و خودت حلش کن