【Python】梯度下降法求解一元二次函数的波谷

import random'''
drd notes: 使用梯度下降法 求y=3x^2 + 7x - 10波谷时x的值
'''def my_function(x):# drd notes：y = 3x^2 + 7x - 10return 3 * x * x + 7 * x - 10def my_function_slop(x):# drd notes: 切线方程对应为y = 6x + 7return 6 * x + 7# drd notes:求y最小值时的x
def gradient_descent_min():# drd notes: 产生随机初始化的点x0 = random.randint(-100, 100)w = 0.001precision = 1e-6count = 0# drd notes：一元二次方程经过多次 梯度下降 走法，最后必然会在最小值附近while True:x1 = x0 - my_function_slop(x0) * wcount = count + 1# drd notes: 达到精度后就推出if abs(my_function(x1) - my_function(x0)) < precision:breakx0 = x1# drd notes：波谷点为(-7/6, 169/12), -7/6 = -1.1666666# drd notes: 经过 1001 迭代后，当x = -1.161392224931042时，y有最小值-14.083249874126466# 经过 1472 迭代后，当x = -1.1719342628187626时，y有最小值-14.083250090625668print('经过 {} 迭代后，当x = {}时，y有最小值{}'.format(count, x0, my_function(x0)))if __name__ == '__main__':gradient_descent_min()

【Python】梯度下降法求解一元二次函数的波谷相关推荐

python 梯度下降法实现一元线性回归
一.简单过一下算法流程 ''' 梯度下降法实现一元线性回归一元线性函数: y = ax + b 实际数据服从: y = x + 2 初始模型: y = 0.1*x + 0.1 ''' import ...
利用梯度下降法求解一元线性回归和多元线性回归
文章目录原理以及公式 [1]一元线性回归问题 [2]多元线性回归问题 [3]学习率 [4]流程分析(一元线性回归) [5]流程分析(多元线性回归) 归一化原理以及每种归一化适用的场合一元线性回归代 ...
梯度下降求解一元二次函数
梯度下降法求解多元线性回归 — NumPy
梯度下降法求解多元线性回归问题使用梯度下降法求解一元线性回归的方法也可以被推广到求解多元线性回归问题. 这是多元线性回归的模型: 其中的 X 和 W 都是 m+1 维的向量. 下图为它的损失函数: ...
梯度下降法求解线性回归
梯度下降法求解线性回归通过梯度下降法求解简单的一元线性回归分别通过梯度下降算法和sklearn的线性回归模型(即基于最小二乘法)解决简单的一元线性回归实际案例,通过结果对比两个算法的优缺. 通过最 ...
深度学习基础之-2.2用梯度下降法求解w,b
用梯度下降法求解w,b. 预设函数 Hypothesis Function z=wx+bz = wx+bz=wx+b 损失函数 Loss Function J(w,b)=12(z−y)2J(w,b) ...
Python梯度下降法实现二元逻辑回归
Python梯度下降法实现二元逻辑回归二元逻辑回归假设函数定义当函数值大于等于0.5时,结果为1,当函数值小于0.5时,结果为0.函数的值域是(0, 1). 二元逻辑回归的损失函数上图为二元逻辑 ...
python实现牛顿法和梯度下降法求解对率回归_最优化问题中，牛顿法为什么比梯度下降法求解需要的迭代次数更少？...
多图预警本文讲你肯定能懂的机器学习多维极值求解,主要讲梯度下降和牛顿法的区别应该能够完美的回答题主的问题事先说明本文面向学习过高等数学统计学和线性代数基础知识的本科生,并假设读者拥有基本的矩阵运 ...
Python 梯度下降法
题目描述: 自定义一个可微并且存在最小值的一元函数,用梯度下降法求其最小值.并绘制出学习率从0.1到0.9(步长0.1)时,达到最小值时所迭代的次数的关系曲线,根据该曲线给出简单的分析. 代码: # ...

【Python】梯度下降法求解一元二次函数的波谷

【Python】梯度下降法求解一元二次函数的波谷相关推荐

最新文章

热门文章