使用C#實現(xiàn)簡單的線性回歸的代碼詳解
更新時間：2024年01月12日 09:49:05 作者：Dm_dotnet
最近注意到了NumSharp,想學習一下,最好的學習方式就是去實踐,因此從github上找了一個用python實現(xiàn)的簡單線性回歸代碼,然后基于NumSharp用C#進行了改寫,需要的朋友可以參考下
前言
最近注意到了NumSharp，想學習一下，最好的學習方式就是去實踐，因此從github上找了一個用python實現(xiàn)的簡單線性回歸代碼，然后基于NumSharp用C#進行了改寫。
NumSharp簡介
NumSharp（NumPy for C#）是一個在C#中實現(xiàn)的多維數(shù)組操作庫，它的設計受到了Python中的NumPy庫的啟發(fā)。NumSharp提供了類似于NumPy的數(shù)組對象，以及對這些數(shù)組進行操作的豐富功能。它是一個開源項目，旨在為C#開發(fā)者提供在科學計算、數(shù)據(jù)分析和機器學習等領域進行高效數(shù)組處理的工具。
python代碼
用到的python代碼來源：https://github.com/llSourcell/linear_regression_live
下載到本地之后，如下圖所示：
python代碼如下所示：
#The optimal values of m and b can be actually calculated with way less effort than doing a linear regression.
#this is just to demonstrate gradient descent
?
from numpy import *
?
# y = mx + b
# m is slope, b is y-intercept
def compute_error_for_line_given_points(b, m, points):
totalError = 0
for i in range(0, len(points)):
x = points[i, 0]
y = points[i, 1]
totalError += (y - (m * x + b)) ** 2
return totalError / float(len(points))
?
def step_gradient(b_current, m_current, points, learningRate):
b_gradient = 0
m_gradient = 0
N = float(len(points))
for i in range(0, len(points)):
x = points[i, 0]
y = points[i, 1]
b_gradient += -(2/N) * (y - ((m_current * x) + b_current))
m_gradient += -(2/N) * x * (y - ((m_current * x) + b_current))
new_b = b_current - (learningRate * b_gradient)
new_m = m_current - (learningRate * m_gradient)
return [new_b, new_m]
?
def gradient_descent_runner(points, starting_b, starting_m, learning_rate, num_iterations):
b = starting_b
m = starting_m
for i in range(num_iterations):
b, m = step_gradient(b, m, array(points), learning_rate)
return [b, m]
?
def run():
points = genfromtxt("data.csv", delimiter=",")
learning_rate = 0.0001
initial_b = 0 # initial y-intercept guess
initial_m = 0 # initial slope guess
num_iterations = 1000
print ("Starting gradient descent at b = {0}, m = {1}, error = {2}".format(initial_b, initial_m, compute_error_for_line_given_points(initial_b, initial_m, points)))
print ("Running...")
[b, m] = gradient_descent_runner(points, initial_b, initial_m, learning_rate, num_iterations)
print ("After {0} iterations b = {1}, m = {2}, error = {3}".format(num_iterations, b, m, compute_error_for_line_given_points(b, m, points)))
?
if __name__ == '__main__':
run()
用C#進行改寫
首先創(chuàng)建一個C#控制臺應用，添加NumSharp包：
現(xiàn)在我們開始一步步用C#進行改寫。
python代碼：
points = genfromtxt("data.csv", delimiter=",")
在NumSharp中沒有genfromtxt方法需要自己寫一個。
C#代碼：
//創(chuàng)建double類型的列表
List<double> Array = new List<double>();
?
// 指定CSV文件的路徑
string filePath = "你的data.csv路徑";
?
// 調用ReadCsv方法讀取CSV文件數(shù)據(jù)
Array = ReadCsv(filePath);
?
var array = np.array(Array).reshape(100,2);
?
static List<double> ReadCsv(string filePath)
{
List<double> array = new List<double>();
try
{
// 使用File.ReadAllLines讀取CSV文件的所有行
string[] lines = File.ReadAllLines(filePath);
?
// 遍歷每一行數(shù)據(jù)
foreach (string line in lines)
{
// 使用逗號分隔符拆分每一行的數(shù)據(jù)
string[] values = line.Split(',');
?
// 打印每一行的數(shù)據(jù)
foreach (string value in values)
{
array.Add(Convert.ToDouble(value));
}
}
}
catch (Exception ex)
{
Console.WriteLine("發(fā)生錯誤: " + ex.Message);
}
return array;
}
python代碼：
def compute_error_for_line_given_points(b, m, points):
totalError = 0
for i in range(0, len(points)):
x = points[i, 0]
y = points[i, 1]
totalError += (y - (m * x + b)) ** 2
return totalError / float(len(points))
這是在計算均方誤差:
C#代碼：
public static double compute_error_for_line_given_points(double b,double m,NDArray array)
{
double totalError = 0;
for(int i = 0;i < array.shape[0];i++)
{
double x = array[i, 0];
double y = array[i, 1];
totalError += Math.Pow((y - (m*x+b)),2);
}
return totalError / array.shape[0];
}
python代碼：
def gradient_descent_runner(points, starting_b, starting_m, learning_rate, num_iterations):
b = starting_b
m = starting_m
for i in range(num_iterations):
b, m = step_gradient(b, m, array(points), learning_rate)
return [b, m]
def step_gradient(b_current, m_current, points, learningRate):
b_gradient = 0
m_gradient = 0
N = float(len(points))
for i in range(0, len(points)):
x = points[i, 0]
y = points[i, 1]
b_gradient += -(2/N) * (y - ((m_current * x) + b_current))
m_gradient += -(2/N) * x * (y - ((m_current * x) + b_current))
new_b = b_current - (learningRate * b_gradient)
new_m = m_current - (learningRate * m_gradient)
return [new_b, new_m]
這是在用梯度下降來迭代更新y = mx + b中參數(shù)b、m的值。
因為在本例中，誤差的大小是通過均方差來體現(xiàn)的，所以均方差就是成本函數(shù)（cost function）或者叫損失函數(shù)（loss function），我們想要找到一組b、m的值，讓誤差最小。
成本函數(shù)如下：
對θ1求偏導，θ1就相當于y = mx + b中的b：
再對θ2求偏導，θ2就相當于y = mx + b中的m：
使用梯度下降：
θ1與θ2的表示：
α是學習率，首先θ1、θ2先隨機設一個值，剛開始梯度變化很大，后面慢慢趨于0，當梯度等于0時，θ1與θ2的值就不會改變了，或者達到我們設置的迭代次數(shù)了，就不再繼續(xù)迭代了。關于原理這方面的解釋，可以查看這個鏈接（https://www.geeksforgeeks.org/ml-linear-regression/），本文中使用的圖片也來自這里。
總之上面的python代碼在用梯度下降迭代來找最合適的參數(shù)，現(xiàn)在用C#進行改寫：
public static double[] gradient_descent_runner(NDArray array, double starting_b, double starting_m, double learningRate,double num_iterations)
{
double[] args = new double[2];
args[0] = starting_b;
args[1] = starting_m;
?
for(int i = 0 ; i < num_iterations; i++)
{
args = step_gradient(args[0], args[1], array, learningRate);
}
?
return args;
}
public static double[] step_gradient(double b_current,double m_current,NDArray array,double learningRate)
{
double[] args = new double[2];
double b_gradient = 0;
double m_gradient = 0;
double N = array.shape[0];
?
for (int i = 0; i < array.shape[0]; i++)
{
double x = array[i, 0];
double y = array[i, 1];
b_gradient += -(2 / N) * (y - ((m_current * x) + b_current));
m_gradient += -(2 / N) * x * (y - ((m_current * x) + b_current));
}
?
double new_b = b_current - (learningRate * b_gradient);
double new_m = m_current - (learningRate * m_gradient);
args[0] = new_b;
args[1] = new_m;
?
return args;
}
用C#改寫的全部代碼：
using NumSharp;
?
namespace LinearRegressionDemo
{
internal class Program
{
static void Main(string[] args)
{
//創(chuàng)建double類型的列表
List<double> Array = new List<double>();
?
// 指定CSV文件的路徑
string filePath = "你的data.csv路徑";
?
// 調用ReadCsv方法讀取CSV文件數(shù)據(jù)
Array = ReadCsv(filePath);
?
var array = np.array(Array).reshape(100,2);
?
double learning_rate = 0.0001;
double initial_b = 0;
double initial_m = 0;
double num_iterations = 1000;
?
Console.WriteLine($"Starting gradient descent at b = {initial_b}, m = {initial_m}, error = {compute_error_for_line_given_points(initial_b, initial_m, array)}");
Console.WriteLine("Running...");
double[] Args =gradient_descent_runner(array, initial_b, initial_m, learning_rate, num_iterations);
Console.WriteLine($"After {num_iterations} iterations b = {Args[0]}, m = {Args[1]}, error = {compute_error_for_line_given_points(Args[0], Args[1], array)}");
Console.ReadLine();
?
}
?
static List<double> ReadCsv(string filePath)
{
List<double> array = new List<double>();
try
{
// 使用File.ReadAllLines讀取CSV文件的所有行
string[] lines = File.ReadAllLines(filePath);
?
// 遍歷每一行數(shù)據(jù)
foreach (string line in lines)
{
// 使用逗號分隔符拆分每一行的數(shù)據(jù)
string[] values = line.Split(',');
?
// 打印每一行的數(shù)據(jù)
foreach (string value in values)
{
array.Add(Convert.ToDouble(value));
}
}
}
catch (Exception ex)
{
Console.WriteLine("發(fā)生錯誤: " + ex.Message);
}
return array;
}
?
public static double compute_error_for_line_given_points(double b,double m,NDArray array)
{
double totalError = 0;
for(int i = 0;i < array.shape[0];i++)
{
double x = array[i, 0];
double y = array[i, 1];
totalError += Math.Pow((y - (m*x+b)),2);
}
return totalError / array.shape[0];
}
?
public static double[] step_gradient(double b_current,double m_current,NDArray array,double learningRate)
{
double[] args = new double[2];
double b_gradient = 0;
double m_gradient = 0;
double N = array.shape[0];
?
for (int i = 0; i < array.shape[0]; i++)
{
double x = array[i, 0];
double y = array[i, 1];
b_gradient += -(2 / N) * (y - ((m_current * x) + b_current));
m_gradient += -(2 / N) * x * (y - ((m_current * x) + b_current));
}
?
double new_b = b_current - (learningRate * b_gradient);
double new_m = m_current - (learningRate * m_gradient);
args[0] = new_b;
args[1] = new_m;
?
return args;
}
?
public static double[] gradient_descent_runner(NDArray array, double starting_b, double starting_m, double learningRate,double num_iterations)
{
double[] args = new double[2];
args[0] = starting_b;
args[1] = starting_m;
?
for(int i = 0 ; i < num_iterations; i++)
{
args = step_gradient(args[0], args[1], array, learningRate);
}
?
return args;
}
?
?
}
}
python代碼的運行結果：
C#代碼的運行結果：
結果相同，說明改寫成功。
總結
本文基于NumSharp用C#改寫了一個用python實現(xiàn)的簡單線性回歸，通過這次實踐，可以加深對線性回歸原理的理解，也可以練習使用NumSharp。
以上就是使用C#實現(xiàn)簡單的線性回歸的代碼詳解的詳細內容，更多關于C#實現(xiàn)線性回歸的資料請關注腳本之家其它相關文章！
相關文章
Winform程序自動更新我也是第一次做,網上找了自動更新的源碼,后來又根據(jù)在網上看到的一些方法,自己試了很久,最終還是有寫錯誤,所以花了錢讓別人幫忙調試成功的,下面是我自己搗騰出來的,方便大家借鑒,如果有什么錯誤的地方歡迎指正2017-02-02
這篇文章主要介紹了C#主線程堵塞問題的解決方案,在C#中,異步方法和async/await關鍵字是用來解決主線程阻塞的有效方式,文中有相關的代碼示例供大家參考,需要的朋友可以參考下2024-03-03
C#數(shù)據(jù)庫操作類AccessHelper實例
這篇文章主要介紹了C#數(shù)據(jù)庫操作類AccessHelper實例,可實現(xiàn)針對access數(shù)據(jù)庫的各種常見操作,非常具有實用價值,需要的朋友可以參考下2014-10-10
這篇文章主要給大家介紹了關于C# GroupBy的基本使用教程，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2019-02-02
這篇文章主要介紹了C# Datatable的幾種用法小結，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2021-01-01
這篇文章主要介紹了詳解StackExchange.Redis通用封裝類分享 ，詳細的介紹了StackExchange.Redis通用封裝，具有一定的參考價值，有需要的可以了解一下。2016-12-12
這篇文章主要介紹了c#類的使用示例，還有我學習時的筆記,需要的朋友可以參考下2014-04-04
C#程序總會生成bin和obj文件夾，為了減小源碼的大小，就有必要將這兩個文件夾刪除，于是想到用批處理文件來刪除2013-07-07
這篇文章主要給大家介紹了基于C#實現(xiàn)的多邊形沖突檢測的相關資料,文中介紹的方法并未使用第三方類庫,可以完美解決這個問題,需要的朋友可以參考下2021-07-07
這篇文章主要介紹了WinForm防止程序重復運行的方法,通過記錄窗口句柄實現(xiàn)防止WinForm程序重復運行的功能,需要的朋友可以參考下2017-05-05