1. 實(shí)驗(yàn)?zāi)康?/h2>

掌握最小二乘法求解（無(wú)懲罰項(xiàng)的損失函數(shù)）、掌握加懲罰項(xiàng)（2 范數(shù)）的損失函數(shù)優(yōu)化、梯度下降法、共軛梯度法、理解過(guò)擬合、克服過(guò)擬合的方法(如加懲罰項(xiàng)、增加樣本)

2. 實(shí)驗(yàn)要求

生成數(shù)據(jù)，加入噪聲；

用高階多項(xiàng)式函數(shù)擬合曲線；

用解析解求解兩種 loss 的最優(yōu)解（無(wú)正則項(xiàng)和有正則項(xiàng)）

優(yōu)化方法求解最優(yōu)解（梯度下降，共軛梯度）；

用你得到的實(shí)驗(yàn)數(shù)據(jù)，解釋過(guò)擬合。

用不同數(shù)據(jù)量，不同超參數(shù)，不同的多項(xiàng)式階數(shù)，比較實(shí)驗(yàn)效果。

語(yǔ)言不限，可以用 matlab，python。求解解析解時(shí)可以利用現(xiàn)成的矩陣求逆。梯度下降，共軛梯度要求自己求梯度，迭代優(yōu)化自己寫(xiě)。不許用現(xiàn)成的平臺(tái)，例如 pytorch，tensorflow 的自動(dòng)微分工具。

3. 實(shí)驗(yàn)內(nèi)容

3.1 算法原理

本實(shí)驗(yàn)需要用多項(xiàng)式來(lái)擬合正弦函數(shù)。在 m 階多項(xiàng)式中，有 m+1 個(gè)待定系數(shù)，m+1 個(gè)系數(shù)（由低到高）組成的（列）向量記作 w。要確定 w，用最小二乘法。

設(shè) E(w) = 1/2 * (Xw – Y)^T(Xw – Y)，其中，X 為多項(xiàng)式中各個(gè)未知項(xiàng)代入觀測(cè)數(shù)據(jù)求得的矩陣，若記 Xi 為 X 的第 i 行的向量，則 Xi[j]為第 i 個(gè)觀測(cè)數(shù)據(jù) xi 的 j 次方，記有 n 組觀測(cè)數(shù)據(jù)，多項(xiàng)式最高次為 m，易知 X 的維度為 n * (m+1)。Y 為觀測(cè)標(biāo)簽向量。即 Y[j]為第 j 組觀測(cè)數(shù)據(jù)的標(biāo)簽值（即 y 值）。從而問(wèn)題轉(zhuǎn)化為：求向量 w，使得 E(w)最小。

• 若不加入正則項(xiàng)，令損失函數(shù)導(dǎo)數(shù)為零，求 w
• 若加入正則項(xiàng)，令損失函數(shù)導(dǎo)數(shù)為零，求 w
• 加入正則項(xiàng)，對(duì)損失函數(shù)用梯度下降，當(dāng)損失函數(shù)收斂時(shí)，求 w
• 加入正則項(xiàng)，對(duì)損失函數(shù)用共軛梯度法，循環(huán)迭代 m+1 次，求 w 3.2 算法實(shí)現(xiàn) 生成數(shù)據(jù)，加入噪聲

用高階多項(xiàng)式函數(shù)擬合曲線；

用解析解求解兩種 loss 的最優(yōu)解（無(wú)正則項(xiàng)和有正則項(xiàng)）

無(wú)正則項(xiàng)：

有正則項(xiàng)：

優(yōu)化方法求解最優(yōu)解（梯度下降，共軛梯度）

梯度下降法：

共軛梯度法：

用你得到的實(shí)驗(yàn)數(shù)據(jù)，解釋過(guò)擬合。

多項(xiàng)式次數(shù)為 1 時(shí)：

多項(xiàng)式次數(shù)為 3 時(shí)：

當(dāng)多項(xiàng)式次數(shù)為 5 時(shí)：

當(dāng)多項(xiàng)式次數(shù)為 7 時(shí)：

當(dāng)多項(xiàng)式次數(shù)為 9 時(shí)：

到此這篇關(guān)于Python實(shí)現(xiàn)多項(xiàng)式擬合正弦函數(shù)詳情的文章就介紹到這了,更多相關(guān)Python擬合正弦函數(shù)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論