Python 3.x **和pow函数的使用差异_Python 3.x_Numpy_Linear Regression

Python 3.x **和pow函数的使用差异

python-3.x numpy

Python 3.x **和pow函数的使用差异,python-3.x,numpy,linear-regression,Python 3.x,Numpy,Linear Regression,尝试为线性回归编写成本函数时，在成本函数中用pow函数替换**时会出现错误：原始成本函数 def cost_function(x,y,theta): m = np.size(y) j = (1/(2*m))*np.sum(np.power(np.matmul(x,theta)-y),2) return j 给出错误的成本函数： def cost_function(x,y,theta): m = np.size(y) j = (1/(2*

尝试为线性回归编写成本函数时，在成本函数中用pow函数替换**时会出现错误：

原始成本函数

def cost_function(x,y,theta):
    m = np.size(y)
    j = (1/(2*m))*np.sum(np.power(np.matmul(x,theta)-y),2)
    return j

给出错误的成本函数：

def cost_function(x,y,theta):
        m = np.size(y)
        j = (1/(2*m))*np.sum((np.matmul(x,theta)-y)**2)
        return j

梯度下降

def gradient_descent(x,y,theta,learn_rate,iters):
    x = np.mat(x);y = np.mat(y); theta= np.mat(theta);
    m = np.size(y)
    j_hist = np.zeros(iters)
    for i in range(0,iters):
        temp = theta - (learn_rate/m)*(x.T*(x*theta-y))
        theta = temp
        j_hist[i] = cost_function(x,y,theta)
    return (theta),j_hist

可变值

theta  = np.zeros((2,1))
learn_rate = 0.01
iters = 1000
x is (97,2) matrix
y is (97,1) matrix

成本函数的计算值为32.0727 在梯度下降中使用相同的函数时会出现错误

我得到的误差是线性误差：数组的最后两个维度必须是正方形
首先，让我们区分
pow
、
**
和
np.power
pow
是Python函数，根据文档，当与2个参数一起使用时，它相当于
**
其次，将
np.mat
应用于数组，生成
np.matrix
对象。根据其文件：
它具有某些特殊运算符，例如
*
（矩阵乘法）和
**
（矩阵幂）
矩阵幂：

In [475]: np.mat([[1,2],[3,4]])**2 Out[475]: matrix([[ 7, 10], [15, 22]])

In [478]: arr = np.array([[1,2],[3,4]]) In [479]: arr@arr # np.matmul Out[479]: array([[ 7, 10], [15, 22]])
元素方：

In [476]: np.array([[1,2],[3,4]])**2 Out[476]: array([[ 1, 4], [ 9, 16]]) In [477]: np.power(np.mat([[1,2],[3,4]]),2) Out[477]: matrix([[ 1, 4], [ 9, 16]])
矩阵幂：

In [475]: np.mat([[1,2],[3,4]])**2 Out[475]: matrix([[ 7, 10], [15, 22]])

In [478]: arr = np.array([[1,2],[3,4]]) In [479]: arr@arr # np.matmul Out[479]: array([[ 7, 10], [15, 22]])
对于非平方矩阵：

In [480]: np.power(np.mat([[1,2]]),2) Out[480]: matrix([[1, 4]]) # elementwise

In [481]: np.mat([[1,2]])**2 --------------------------------------------------------------------------- LinAlgError Traceback (most recent call last) <ipython-input-481-18e19d5a9d6c> in <module>() ----> 1 np.mat([[1,2]])**2 /usr/local/lib/python3.6/dist-packages/numpy/matrixlib/defmatrix.py in __pow__(self, other) 226 227 def __pow__(self, other): --> 228 return matrix_power(self, other) 229 230 def __ipow__(self, other): /usr/local/lib/python3.6/dist-packages/numpy/linalg/linalg.py in matrix_power(a, n) 600 a = asanyarray(a) 601 _assertRankAtLeast2(a) --> 602 _assertNdSquareness(a) 603 604 try: /usr/local/lib/python3.6/dist-packages/numpy/linalg/linalg.py in _assertNdSquareness(*arrays) 213 m, n = a.shape[-2:] 214 if m != n: --> 215 raise LinAlgError('Last 2 dimensions of the array must be square') 216 217 def _assertFinite(*arrays): LinAlgError: Last 2 dimensions of the array must be square
试图在非方矩阵上执行矩阵幂运算：

In [480]: np.power(np.mat([[1,2]]),2) Out[480]: matrix([[1, 4]]) # elementwise

In [481]: np.mat([[1,2]])**2 --------------------------------------------------------------------------- LinAlgError Traceback (most recent call last) <ipython-input-481-18e19d5a9d6c> in <module>() ----> 1 np.mat([[1,2]])**2 /usr/local/lib/python3.6/dist-packages/numpy/matrixlib/defmatrix.py in __pow__(self, other) 226 227 def __pow__(self, other): --> 228 return matrix_power(self, other) 229 230 def __ipow__(self, other): /usr/local/lib/python3.6/dist-packages/numpy/linalg/linalg.py in matrix_power(a, n) 600 a = asanyarray(a) 601 _assertRankAtLeast2(a) --> 602 _assertNdSquareness(a) 603 604 try: /usr/local/lib/python3.6/dist-packages/numpy/linalg/linalg.py in _assertNdSquareness(*arrays) 213 m, n = a.shape[-2:] 214 if m != n: --> 215 raise LinAlgError('Last 2 dimensions of the array must be square') 216 217 def _assertFinite(*arrays): LinAlgError: Last 2 dimensions of the array must be square
[481]中的
：np.mat（[[1,2]]）**2 --------------------------------------------------------------------------- LinalError回溯（最近一次调用上次）在（） ---->1 np.mat（[[1,2]]）**2 /usr/local/lib/python3.6/dist-packages/numpy/matrixlib/defmatrix.py in_uuuuuupow_uuuuu（self，other） 226 227定义功率（自身、其他）： -->228返回矩阵_功率（自身、其他） 229 230 def_uuuipow_uuu（自身、其他）： /矩阵幂中的usr/local/lib/python3.6/dist-packages/numpy/linalg/linalg.py（a，n） 600 a=asanyarray（a） 601资产负债表2（a） -->602 _资产平方度（a） 603 604试试： /usr/local/lib/python3.6/dist-packages/numpy/linalg/linalg.py in_assertndsquares（*数组） 213米，n=a.形状[-2:] 214如果m！=n: -->215 raise LinAlgError（'数组的最后两个维度必须是正方形'） 216 217 def_assertFinite（*数组）： LinalError:数组的最后两个维度必须是正方形
请注意，整个回溯列表
matrix\u power
。这就是为什么我们经常要求查看整个回溯
为什么要将
x
、
y
和
theta
设置为
np.mat
？
cost\u函数使用matmul 。有了这个函数和它的@ 操作符，使用np.matrix 的理由就很少了尽管有主题行，但您没有尝试使用pow 。这让我和至少另一位评论员感到困惑。我试图找到一个np.pow 或一个scipy 版本。这可能与数据有关，请您在您的问题中添加少量数据，以便于说明。pow（x，y）应等同于x**y ，如图中所示。你能发布你的错误代码吗？@Mstaino我已经编辑了这个问题，请再次检查是否有任何错误fault@Mstaino，他不使用pow ，尽管主题行不同。起作用的是np.power ，这对于np.matrix 对象是不同的。