神经网络拟合曲线

神经网络拟合曲线

import numpy as np
import matplotlib.pyplot as plt
from multiprocessing import Process Lock Array
import time


def load_data（filename）:
    “““载入数据。“““
    xys = []
    with open（filename ‘r‘） as f:
        for line in f:
            xys.append（map（float line.strip（）.split（）））
        xs ys = zip（*xys）
        return np.asarray（xs） np.asarray（ys）

def identity_basis（x）:
    ret = np.expand_dims（x axis=1）
    return ret



def gaussian_basis（x feature_num=20）:
    ‘‘‘高斯基函数‘‘‘
    #==========
    #todo ‘‘‘请实现高斯基函数‘‘‘
    ret_x = np.expand_dims（x axis=1）
    max_x = np.max（x）
    min_x = np.min（x）
    line_number = ret_x.shape[0]
    l = （max_x-min_x）/19
    u = np.zeros（（line_number20）dtype=float）
    for j in range （020）:
        u[:j] = min_x+l*j
    ret = np.zeros（（line_number20）dtype=float）
    for j in range（020）:
        for i in range（0line_number）:
            ret[ij]=np.exp（-（（ret_x[i:]-u[ij]）*（ret_x[i:]-u[ij]））/（l*l））
    #==========
   
    return ret




def main（x_train y_train）:
    “““
    训练模型，并返回从x到y的映射。
    
    “““
    #basis_func = identity_basis
    basis_func = gaussian_basis
   
    phi0 = np.expand_dims（np.ones_like（x_train） axis=1）
    phi1 = basis_func（x_train）
    phi = np.concatenate（[phi0 phi1] axis=1）
    #==========
    #todo ‘‘‘计算出一个优化后的w，请分别使用最小二乘法以及梯度下降两种办法优化w‘‘‘
    w = np.zeros（（21）dtype=float）
    w = np.linalg.inv（（np.transpose（phi））.dot（phi））.dot（np.transpose（phi））.dot（np.transpose（y_train））
    #==========

    
    def f（x）:
        phi0 = np.expand_dims（np.ones_like（x） axis=1）
        phi1 = basis_func（x）
        phi = np.concatenate（[phi0 phi1] axis=1）
        
        y = np.dot（phi w）
        return y
        pass

    return f

def evaluate（ys ys_pred）:
    “““评估模型。“““
    std = np.sqrt（np.mean（np.abs（ys - ys_pred） ** 2））
    return std

# 程序主入口（建议不要改动以下函数的接口）
if __name__ == ‘__main__‘:
    train_file = ‘train.txt‘
    test_file = ‘test.txt‘
    # 载入数据
    x_train y_train = load_data（train_file）
    x_test y_test = load_data（test_file）


    # 使用线性回归训练模型，返回一个函数f（）使得y = f（x）
    f = main（x_train y_train）

    y_train_pred = f（x_train）
    std = evaluate（y_train y_train_pred）
    print（‘训练集预测值与真实值的标准差：{:.1f}‘.format（std））
    
    # 计算预测的输出值
    y_test_pred = f（x_test）
    # 使用测试集评估模型
    std = evaluate（y_test y_test_pred）
    print（‘预测值与真实值的标准差：{:.1f}‘.format（std））

    #显示结果
    plt.plot（x_train y_train ‘ro‘ markersize=3）
    plt.plot（x_test y_test ‘k‘）
    plt.plot（x_test y_test_pred ‘k‘）
    plt.xlabel（‘x‘）
    plt.ylabel（‘y‘）
    plt.title（‘Linear Regression‘）
    plt.legend（[‘train‘ ‘test‘ ‘pred‘]）
    plt.show（）

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        2975  2020-11-04 22:01  linear-model.py
     文件        3580  2020-10-29 09:43  test.txt
     文件        5315  2020-10-29 09:43  train.txt