梯度下降在Python中的实现

我在python中实现梯度下降时被绊倒了

梯度下降的公式为：

for iter in range(1, num_iters):
    hypo_function = np.sum(np.dot(np.dot(theta.T, X)-y, X[:,iter]))

    theta_0 = theta[0] - alpha * (1.0 / m) * hypo_function
    theta_1 = theta[1] - alpha * (1.0 / m) * hypo_function

出现错误：

--->次函数=np.sum（np.dot（θT，X）-y，X[：，iter]）） ValueError:形状（1,97）和（2，）未对齐：97（尺寸1）！=2（尺寸0）

注：这里我的X是（2L，97L），y是（97L），θ是（2L，）。

np。点（a，b）取a和b的内积，如果a和b是向量（一维数组），如果a和b是二维数组，np。点（a，b）进行矩阵乘法

如果a的最后一个维度的大小与b的倒数第二个维度的大小不匹配，则会抛出ValueError。他们必须匹配

---

在您的例子中，您试图在一个点积中将一个某物乘以97的数组乘以一个2乘以某物的数组，因此存在不匹配。所以你需要修正你的输入数据，这样点积/矩阵乘法是可计算的。

嗨，Paisanco，你能帮我修正代码吗？例如，X的转置是97 X 2，可以成功地乘以θ（2x1）。你可以用numpy.transpose来做这个把戏。但是根据梯度下降公式，我不能做X的转置，但是可以做θ的转置，只要你做np.dot（θu转置，X），那就是1x2乘以2x97，得到1x97的结果。我必须实现的公式是：（θu转置*X）−y） 十,。我不知道我们是否可以用维度来做。现在我想这会让我更好地了解我在这方面应该做些什么