جواب «Any Number of Weights» چالش 6 از جلسهی 25
سؤال
مدل را عمومی کن: تابع predict(x, w, b) که x و w لیستهای همطولاند و حاصل w[0]*x[0] + w[1]*x[1] + ... + b را برمیگرداند، و تابع step(X, y, w, b, lr) که یک قدم گرادیان کاهشی برای هر تعداد وزن بردارد و w, b جدید را برگرداند. برنامه با سه ویژگی (اندازه، اتاق، سن خانه) ۳۰۰ قدم میرود و خطای پایانی را گرد با یک رقم چاپ میکند: final error 13.4.
راهنما
دو حلقهی تودرتو: بیرونی روی مثالها، درونی for j in range(len(w)). در پایان یک حلقهی دیگر روی j برای بهروزرسانی.
یک جواب درست
X = [[5, 1, 20], [8, 2, 5], [10, 3, 10], [12, 3, 30]]
y = [60, 95, 125, 140]
def predict(x, w, b):
total = b
for j in range(len(w)):
total = total + w[j] * x[j]
return total
def mse(X, y, w, b):
return sum((predict(X[i], w, b) - y[i]) ** 2 for i in range(len(X))) / len(X)
def step(X, y, w, b, lr):
n = len(X)
grads = [0.0] * len(w)
gb = 0.0
for i in range(n):
error = predict(X[i], w, b) - y[i]
for j in range(len(w)):
grads[j] = grads[j] + error * X[i][j]
gb = gb + error
for j in range(len(w)):
w[j] = w[j] - lr * grads[j] / n
b = b - lr * gb / n
return w, b
w = [0.0, 0.0, 0.0]
b = 0.0
for i in range(300):
w, b = step(X, y, w, b, 0.0005)
print("final error", round(mse(X, y, w, b), 1))
اول خودت امتحان کن؛ جوابهای دیگر هم قبول است. برگرد و خودت حلش کن