线性回归中的二次假设总是出错答案

【问题标题】：Quadratic hypothesis in linear regression always goes wrong线性回归中的二次假设总是出错
【发布时间】：2020-05-11 15:57:18
【问题描述】：

我是初学者，代码纯粹是实验性的，可能会给您带来不便，对此深表歉意（例如：我在 for 循环中使用了大量的连续循环）

假设形式为：- ax^2+bx+c，参数为a、b、c。

测试数据和输出

x=[10,20,30,40,50]
y=[-50,-90,-130,-170,-210]

假设函数

def h(m):
    return a*(x[m]**2)+b*x[m]+c

更改参数

for i in range(1,300000000):
    for j in range (0,4):
        c1=c1+(h(j)-y[j])
        b1=b1+(h(j)-y[j])*(x[j])
        a1=a1+(h(j)-y[j])*(x[j])**2

a=a-0.00000046*0.20*a1
b=b-0.00000046*0.20*b1
c=c-0.00000046*0.20*c1

成本函数

for k in range(0, 4):
    s = s + (h(k) - y[k])**2
cost=1/5*s

答案应该是 a=0、b=-4 和 c=-10 但我得到 a=0.02（每次循环后都会增加）、b=-5.4946 和 c=11 当成本约为 2 时（我没有'实际上并没有结束代码执行，很抱歉给您带来不便）

我哪里做错了？

【问题讨论】：

标签： python machine-learning linear-regression

【解决方案1】：

您几乎做对了一切，只有两个问题。请参阅内联 cmets：

# reliance on global/upper scope variables is a bad practice
def h(a, b, c, value):
    return a*(value**2)+b*value+c

# don't repeat yourself - define it in one place rather than 3
lr = 0.00000046*0.20  # learning rate
for i in range(1,300000000):

    # first issue: a1, b1 and c1 need to be reset
    a1 = b1 = c1 = 0

    # hardcoding magic constants (including data shape) is a bad practice
    for x_, y_ in range zip(x, y):
        diff = h(a, b, c, x_)-y_
        c1 += diff
        b1 += diff * x[j]
        a1 += diff * x[j]**2

    # second issue: this needs to be done every "batch"
    a -= lr * a1
    b -= lr * b1
    c -= lr * c1

这在向量形式中会更有效，但我希望你明白

【讨论】：