Python 3.x 回归线不'；t拟合数据，梯度下降给出不准确的权重-蟒蛇3

我从无到有地实现了线性回归和梯度下降，它给了我奇怪的结果，比如负数，它们非常小

样本数据

   609.0,241.0
   629.0,222.0
   620.0,233.0
   564.0,207.0
   645.0,247.0
   493.0,189.0
   606.0,226.0
   672.0,231.0
   778.0,263.0

灰袋鼠数据集

样本数据可在以下位置找到：

在处理这个问题之后，我发现如果θ为负，代价函数就会增加。如果θ为正，则成本函数减小。 我希望代价函数减小，所以我对代码做了一些修改，这给了我一个正θ和递减的代价函数

  # adding gives +ve theta
  theta = theta + alpha*gradientD 

我画了成本函数图

训练后，它给了我一些重量。当我使用权重预测

y

它不能预测一个好的价值。当我在图表上绘制回归线时，它根本不符合数据

我还在学习这些东西，我不确定我的实现是否正确。而且，我的学习率很低。我看到学习率不低于0.001。我使用0.001作为学习率，但它给出了不准确的成本函数

  # adding gives +ve theta
  theta = theta + alpha*gradientD 

---

我不确定我是否已经明确，但我真的很感谢你的帮助

您已将错误和损失向后定义。。。误差是预测和数据之间的差异，损失函数将误差映射到拟合例程的目标上。你的梯度计算大致正确（尽管它没有按你定义损失函数的方式缩放，梯度计算中的“损失”项实际上是错误的）

---

但是，alpha（步长）的值非常小，这将影响收敛速度。因为您只允许30次迭代，所以它可能不会收敛（它显然是在一个非常糟糕的地方开始的，损耗=6e7-从图表的比例来看，不清楚到第30次迭代时它有多接近零）。尝试增大alpha值，以查看它是否在允许的30次迭代中接近其最终值（基于最终状态损失值）。现在，你的损失与迭代的关系图被非常高的初始状态损失值淹没了（绘制损失的日志或损失的日志10可能会更容易在实验中进行比较）。

你能提供

数据的样本以及一个（带有导入、
假设和正确缩进）函数吗请？@Nuageux添加了示例代码和假设函数