مثال تابع (هوش مصنوعی با پایتون): def gradients(X, y, w1, w2, b):
مثال 4 از درس جلسهی 25 آموزش هوش مصنوعی برای نوجوانان با پایتون: رگرسیون با دو ویژگی
«کدام طرف سرازیری است» را چطور حساب کنیم؟ برای هر خانه، error = guess - real. اگر خطا مثبت است (زیاد حدس زدی) باید وزنها کم شوند، و هر وزن به اندازهی ویژگی خودش: ویژگی بزرگتر اثر بیشتری داشته، پس بیشتر تصحیح میشود. این همان «گرادیان» است: error * x1 برای w1، error * x2 برای w2، و فقط error برای b.
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 = g1 + error * X[i][0]
g2 = g2 + error * X[i][1]
gb = gb + error
n = len(X)
return g1 / n, g2 / n, gb / n
این کد را همینجا در ویرایشگر پایتون اجرا کن، عددها و متنهایش را عوض کن و دوباره اجرا کن تا ببینی چه تغییری میکند.
بیشتر بخوان: تابع در پایتون: آموزش def، پارامتر و return با مثال
← مثال قبلی · برگشت به درس جلسهی 25: رگرسیون با دو ویژگی · مثال بعدی → · چالشهای این جلسه