python中的线性回归小批量梯度下降：按批量大小拆分训练和验证数据答案

【问题标题】：Linear Regression Mini-batch Gradient Descent in python: split training and validation data by batch sizepython中的线性回归小批量梯度下降：按批量大小拆分训练和验证数据
【发布时间】：2021-02-27 04:06:31
【问题描述】：

我试图按批量大小拆分训练和验证数据，并找到验证 rmse。训练特征数据的大小为 11000。验证特征数据的大小为 2750。但是，当我在 for 循环中使用 zip 函数时。它将 for 循环限制在较小的范围内，即 2750。

有人知道我该如何解决这个问题吗？我已经卡了两天了。

  for epoch in range (0, maximum_iterations, 1):
      for i, j in zip(range(0, training_feature_data.shape[0], batch_size), range(0, validation_feature_data.shape[0], batch_size)):
         training_feature_data_i = training_feature_data[i:i+batch_size]
         training_target_data_i = training_target_data[i:i+batch_size]
         validation_feature_data_j = validation_feature_data[j:j+batch_size]
         validation_target_data_j = validation_target_data[j:j+batch_size]

【问题讨论】：

您可以将第二个 for 循环拆分为两个循环，一个用于训练数据，一个用于验证数据
@ThomasSchillaci 非常感谢！

标签： python linear-regression mini-batch batchsize

【解决方案1】：

由于训练和验证在这里没有任何关系（索引 i 似乎不影响验证，而 j 不影响训练），单独生成小批量更有意义。这就是 Thomas Schillaci 在他的评论中所说的。这里有一个关于如何重新格式化代码的建议。

for epoch in range (0, maximum_iterations, 1):
  for i in range(0, training_feature_data.shape[0], batch_size):
     training_feature_data_i = training_feature_data[i:i+batch_size]
     training_target_data_i = training_target_data[i:i+batch_size]
  for j in range(0, validation_feature_data.shape[0], batch_size):
     validation_feature_data_j = validation_feature_data[j:j+batch_size]
     validation_target_data_j = validation_target_data[j:j+batch_size]

【讨论】：