【吴恩达机器学习笔记】第2周 - python写代价函数/成本函数

吴恩达课程中，代码是用Octave写的，分为两个部分：1、定义代价函数；% 定义代价函数 Jfunction J = costFunctionJ(X, y, theta)m = size(X, 1); % 样本量predictions = X * theta; % 预测值sqrErrors = (predictions - y) .^2; % 预测值与真实值的方差J = 1/(2*m) * sum

Sun_Weiss

4035人浏览 · 2020-09-21 17:11:45

Sun_Weiss · 2020-09-21 17:11:45 发布

吴恩达课程中，代码是用Octave写的，分为两个部分：

1、定义代价函数；

% 定义代价函数 J

function J = costFunctionJ(X, y, theta) 

m = size(X, 1);  % 样本量
predictions = X * theta; % 预测值
sqrErrors = (predictions - y) .^2; % 预测值与真实值的方差

J = 1/(2*m) * sum(sqrErrors); % 代价函数J

2、给X，y，theta 赋值并调用函数；

X = [1 1; 1 2; 1 3];

y = [1; 2; 3];

theta = [0; 1];

j = costFunctionJ(X, y, theta)

使用python实现的关键点在于，矩阵、向量的定义、计算都需要调用numpy的相应方法。

只要将Octave的对应语句功能用numpy方法实现即可。

# -*- coding: utf-8 -*-
"""
Created on Mon Sep 21 16:16:12 2020

@author: weisssun
"""
import numpy as np

def costFunctionJ(X, y, theta): # 定义代价函数
    m = len(X) # 样本数
    predictions = np.dot(X, theta) # X 与 theta 的乘积和（点积），即预测值
    print(predictions) #打印查看
    sqrErrors = np.power((predictions - y), 2) # 预测值与真实值的方差
    print(sqrErrors) #打印查看
    J = 1/(2*m) * np.sum(sqrErrors) # 代价函数 J
    return J

X = np.array([[1, 1],
              [1, 2],
              [1, 3]])
# 矩阵 X
y = np.array([[1],[2],[3]]) # 列向量 y，真实值
theta = np.array([[0],[1]]) # 列向量 theta，参数

J = costFunctionJ(X, y, theta)
print(J)