样本文件下载：ex2Data.zip
ex2x.dat文件中是一些2-8岁孩子的年龄。
ex2y.dat文件中是这些孩子相对应的体重。
我们尝试用批量梯度下降法，随机梯度下降法和小批量梯度下降法来对这些数据进行线性回归，线性回归原理在：http://www.cnblogs.com/mikewolf2002/p/7560748.html
1.批量梯度下降法（BGD)
BGD.m代码：
clear all; close all; clc; x = load('ex2x.dat'); %装入样本输入特征数据到x，年龄 y = load('ex2y.dat'); %装入样本输出结果数据到y，身高 figure('name','线性回归-批量梯度下降法'); plot(x,y,'o') %把样本在二维坐标上画出来 xlabel('年龄') %x轴说明 ylabel('身高') %y轴说明 m = length(y); % 样本数目 x = [ones(m, 1), x]; % 输入特征增加一列，x0=1 theta = zeros(size(x(1,:)))'; % 初始化theta MAX_ITR = 1500;%最大迭代数目 alpha = 0.07; %学习率 i = 0; while(i<MAX_ITR) grad = (1/m).* x' * ((x * theta) - y);%求出梯度 theta = theta - alpha .* grad;%更新theta if(i>2) delta = old_theta-theta; delta_v = delta.*delta; if(delta_v<0.000000000000001)%如果两次theta的内积变化很小，退出迭代 break; end end old_theta = theta; i=i+1; end i theta predict1 = [1, 3.5] *theta predict2 = [1, 7] *theta hold on plot(x(:,2), x*theta, '-') % x现在是一个2列的矩阵 legend('训练数据', '线性回归')%标记每个数据设置
程序输结果如下：迭代次数达到了上限1500次，最后梯度下降法求解的theta值为\([0.7502,0.0639]^T\)，两个预测值3.5岁，预测身高为0.9737米，7岁预测为1.1973米。
注意学习率的选择很重要，如果选择太大，可能不能得到收敛的\(\theta\)值。
i =
1500
theta =
0.7502
0.0639
predict1 =
0.9737
predict2 =
1.1973
2.随机梯度下降法
sgd.m代码如下，注意最大迭代次数增加到了15000，1500次迭代不能得到收敛的点，可见随机梯度下降法，虽然计算梯度时候，工作量减小，但是因为不是最佳的梯度下降方向，可能会使得迭代次数增加：
clear all; close all; clc; x = load('ex2x.dat'); y = load('ex2y.dat'); figure('name','线性回归-随机梯度下降法'); plot(x,y,'o') xlabel('年龄') %x轴说明 ylabel('身高') %y轴说明 m = length(y); % 样本数目 x = [ones(m, 1), x]; % 输入特征增加一列 theta = zeros(size(x(1,:)))';%初始化theta MAX_ITR = 15000;%最大迭代数目 alpha = 0.01;%学习率 i = 0; while(i<MAX_ITR) %j = unidrnd(m);%产生一个最大值为m的随机正整数j，j为1到m之间 j = mod(i,m)+1; %注意梯度的计算方式，每次只取一个样本数据，通过轮转的方式取到每一个样本。 grad = ((x(j,:)* theta) - y(j)).*x(j,:)'; theta = theta - alpha * grad; if(i>2) delta = old_theta-theta; delta_v = delta.*delta; if(delta_v<0.0000000000000000001) break; end end old_theta = theta; i=i+1; end i theta predict1 = [1, 3.5] *theta predict2 = [1, 7] *theta hold on plot(x(:,2), x*theta, '-') legend('训练数据', '线性回归')
程序结果输出如下：
i =
15000
theta =
0.7406
0.0657
predict1 =
0.9704
predict2 =
1.2001
3.小批量梯度下降法
mbgd.m代码如下，程序中批量的样本数目，我们选择5：
clear all; close all; clc; x = load('ex2x.dat'); y = load('ex2y.dat'); figure('name','线性回归-小批量梯度下降法') plot(x,y,'o') xlabel('年龄') %x轴说明 ylabel('身高') %y轴说明 m = length(y); % 样本数目 x = [ones(m, 1), x]; % 输入特征增加一列 theta = zeros(size(x(1,:)))'; %初始化theta MAX_ITR = 15000;%最大迭代数目 alpha = 0.01;%学习率 i = 0; b = 5; %小批量的数目 while(i<MAX_ITR) j = mod(i,m-b)+1; %每次计算梯度时候，只考虑b个样本数据 grad = (1/b).*x(j:j+b,:)'*((x(j:j+b,:)* theta) - y(j:j+b)); theta = theta - alpha * grad; if(i>2) delta = old_theta-theta; delta_v = delta.*delta; if(delta_v<0.0000000000000000001) break; end end old_theta = theta; i=i+b; end i theta predict1 = [1, 3.5] *theta predict2 = [1, 7] *theta hold on plot(x(:,2), x*theta, '-') legend('训练数据', '线性回归')
程序的输出结果：
i =
15000
theta =
0.7418
0.0637
predict1 =
0.9647
predict2 =
1.1875
