10行代码实现机器学习的案例分析

2025-01-26 技术教程

不懂10行代码实现机器学习的案例分析？其实想解决这个问题也不难，下面让小编带着大家一起学习怎么去解决，希望大家阅读完这篇文章后大所收获。

开始

小强会去看电影吗？

如花，小倩，小明和小强，他们是好基友，经常相约去看电影。但小强不是每次都去，以下是他们前四次相约去看电影的情况：（1 表示去看电影，0 表示没去看电影）

如花小倩小明小强1011110100100100

假如第五次相约看电影，如花不去，小倩和小明要去，那么小强会去吗？

如花小倩小明小强1011110100100100011？

我们人脑对以上数据进行分析，很容易看出，小强对如花有意思，如花去，小强就去，如花不去，小强就不去，所以得出结论，小强不去。

人脑思考分析的过程，怎么转换成让计算机思考呢？

上代码

fromnumpyimportarray,exp,random,dotX=array([[1,0,1],[1,1,0],[0,0,1],[0,1,0]])y=array([[1,1,0,0]]).Trandom.seed(1)weights=2*random.random((3,1))-1for_inrange(10000):output=1/(1+exp(-dot(X,weights)))error=y-outputdelta=error*output*(1-output)weights+=dot(X.T,delta)p=1/(1+exp(-dot([[1,0,0]],weights)))[0][0]print("小强去不去：","不去"ifp>0.5else"去")

不算用于打印的代码，刚好10行。如果很少用Python进行科学计算的同学可能会有点蒙蔽，不要着急，下面我对每行代码进行解释。

导入类库

fromnumpyimportarray,exp,random,dot

numpy 可以说是 Python 科学计算的基石，用起来非常方便。对于数学计算方便，我们主要导入了 array、exp、random、dot

array：创建矩阵exp：以自然常数e为底的指数函数random: 生产0~1的随机数dot: 矩阵相乘生成数据

X=array([[1,0,1],[1,1,0],[0,0,1],[0,1,0]])y=array([[1,1,0,0]]).T

将上表四人相约看电影的数据生成代码，注意第二行有个 .T 是转置的意思，将行向量转成列向量，如下：

[[[1,0,1],[1],[1,1,0],[1],[0,0,1],[0],[0,1,0],[0],]]生成随机权重

#设置随机因子，让每次生成的随机数都一样，方便代码调试。random.seed(1)#生成一个范围为-1~1，3列的行向量。weights=2*random.random((3,1))-1

为什么要设置权重？

以第一次看电影为例，[1,0,1] 对应 [1]，他们之间存在某种关联，如下：

1*w1+0*w2+1*w3=1

w1，w2，w3，表示的就是权重。

如果我们能求出w1，w2，w3，是不是就可以把第五次（[0,1,1]）的代入，得到小强去不去看电影。

0*w1+1*w2+1*w3=小强去吗？

怎么求出权重？

我们把第一条数据求出的权重，很难代入后面三条数据。

所以我们随机一组权重，代入每一组数据，得到误差，再修改权重，得到新的误差，如此反复，直至误差最小化，我们就把这个过程叫做机器学习

优化权重

for_inrange(10000):#用sigmoid函数将计算结果进行转换output=1/(1+exp(-dot(X,weights)))#用真实值减去计算结果求出误差error=y-output#计算增量delta=error*output*(1-output)#得到新的权重weights+=dot(X.T,delta)

循环往复 10000 次，让误差不断变小，最终得到最优的权重，将权重代入第五次的数据就可以推算出小强去不去看电影了。

为什么要用 sigmoid 函数？

由于计算结果的范围是正无穷到负无穷，用 sigmoid 函数转换成 0~1，方便进行分类，比如大于0.5 去看电影，小于0.5 不去看电影。

怎么计算增量？

delta=error*output*(1-output)

将上面这句分拆成两句代码好理解一些：

#计算斜率，也就是对计算结果进行求导slope=output*(1-output)#基于error计算出delta，用于更新权重delta=error*slope

斜率是什么？

由于计算结果被 sigmoid 函数转换后为0~1的平滑曲线。要想 error 越小，计算结果就要无线趋近于0或1，越趋近于0或者1斜率越小

为什么要用让 error 乘以斜率？

在梯度下降法中，越靠近最优点，斜率越小，所以在斜率最小的地方，我们要减小 delta 的变化，以免错过最优点。

预测结果