創(chuàng)新互聯(lián)www.cdcxhl.cn八線動態(tài)BGP香港云服務器提供商，新人活動買多久送多久，劃算不套路！

專注于為中小企業(yè)提供成都網站建設、網站制作服務,電腦端+手機端+微信端的三站合一,更高效的管理,為中小企業(yè)通城免費做網站提供優(yōu)質的服務。我們立足成都，凝聚了一批互聯(lián)網行業(yè)人才，有力地推動了成百上千家企業(yè)的穩(wěn)健成長，幫助中小企業(yè)通過網站建設實現(xiàn)規(guī)模擴充和轉變。

不懂10行代碼實現(xiàn)機器學習的案例分析？其實想解決這個問題也不難，下面讓小編帶著大家一起學習怎么去解決，希望大家閱讀完這篇文章后大所收獲。

開始

小強會去看電影嗎？

如花，小倩，小明和小強，他們是好基友，經常相約去看電影。但小強不是每次都去，以下是他們前四次相約去看電影的情況：（1 表示去看電影，0 表示沒去看電影）

如花	小倩	小明	小強
1	0	1	1
1	1	0	1
0	0	1	0
0	1	0	0

假如第五次相約看電影，如花不去，小倩和小明要去，那么小強會去嗎？

如花	小倩	小明	小強
1	0	1	1
1	1	0	1
0	0	1	0
0	1	0	0
0	1	1	？

我們人腦對以上數(shù)據(jù)進行分析，很容易看出，小強對如花有意思，如花去，小強就去，如花不去，小強就不去，所以得出結論，小強不去。

人腦思考分析的過程，怎么轉換成讓計算機思考呢？

上代碼

from numpy import array, exp, random, dot
X = array([[1,0,1],[1,1,0],[0,0,1],[0,1,0]])
y = array([[1,1,0,0]]).T
random.seed(1)
weights = 2 * random.random((3,1)) - 1
for _ in range(10000):
    output = 1/(1+exp(-dot(X, weights)))
    error = y - output
    delta = error * output * (1-output)
    weights += dot(X.T, delta)
    
p = 1/(1+exp(-dot([[1,0,0]], weights)))[0][0]
print("小強去不去：", "不去" if  p > 0.5 else "去")

不算用于打印的代碼，剛好10行。如果很少用Python進行科學計算的同學可能會有點蒙蔽，不要著急，下面我對每行代碼進行解釋。

導入類庫

from numpy import array, exp, random, dot

numpy 可以說是 Python 科學計算的基石，用起來非常方便。 對于數(shù)學計算方便，我們主要導入了 array、exp、random、dot

• array： 創(chuàng)建矩陣
• exp：以自然常數(shù)e為底的指數(shù)函數(shù)
• random: 生產0~1的隨機數(shù)
• dot: 矩陣相乘

生成數(shù)據(jù)

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

將上表四人相約看電影的數(shù)據(jù)生成代碼，注意第二行有個 .T 是轉置的意思，將行向量轉成列向量，如下：

[           [
  [1,0,1],    [1],
  [1,1,0],    [1],
  [0,0,1],    [0],
  [0,1,0],    [0],    
]           ]

生成隨機權重

# 設置隨機因子，讓每次生成的隨機數(shù)都一樣，方便代碼調試。
random.seed(1)
# 生成一個范圍為 -1 ~ 1，3列的行向量。
weights = 2 * random.random((3,1))-1

為什么要設置權重？

以第一次看電影為例，[1,0,1] 對應 [1]，他們之間存在某種關聯(lián)，如下：

1*w1 + 0*w2 + 1*w3 = 1

w1，w2，w3，表示的就是權重。

如果我們能求出w1，w2，w3，是不是就可以把第五次（[0,1,1]）的代入，得到小強去不去看電影。

0*w1 + 1*w2 + 1*w3 = 小強去嗎？

怎么求出權重？

我們把第一條數(shù)據(jù)求出的權重，很難代入后面三條數(shù)據(jù)。

所以我們隨機一組權重，代入每一組數(shù)據(jù)，得到誤差，再修改權重，得到新的誤差，如此反復，直至誤差最小化，我們就把這個過程叫做機器學習

優(yōu)化權重

for _ in range(10000):
    # 用 sigmoid函數(shù)將計算結果進行轉換
    output = 1/(1+exp(-dot(X, weights)))
    # 用真實值減去計算結果求出誤差
    error = y - output
    # 計算增量
    delta = error * output*(1-output)    
    # 得到新的權重
    weights += dot(X.T, delta)

循環(huán)往復 10000 次，讓誤差不斷變小，最終得到最優(yōu)的權重，將權重代入第五次的數(shù)據(jù)就可以推算出小強去不去看電影了。

為什么要用 sigmoid 函數(shù)？

由于計算結果的范圍是正無窮到負無窮，用 sigmoid 函數(shù)轉換成 0~1，方便進行分類，比如大于0.5 去看電影，小于0.5 不去看電影。

怎么計算增量？

delta = error * output*(1-output)

將上面這句分拆成兩句代碼好理解一些：

# 計算斜率，也就是對計算結果進行求導
slope = output*(1-output)
# 基于 error 計算出 delta，用于更新權重delta = error * slope

斜率是什么？

由于計算結果被 sigmoid 函數(shù)轉換后為0~1的平滑曲線。 要想 error 越小，計算結果就要無線趨近于0或1，越趨近于0或者1斜率越小

為什么要用讓 error 乘以斜率？

在梯度下降法中，越靠近最優(yōu)點，斜率越小，所以在斜率最小的地方，我們要減小 delta 的變化，以免錯過最優(yōu)點。

預測結果

p = 1/(1+exp(-dot([[1,0,0]], weights)))[0][0]
print("小強去不去：", "不去" if  p > 0.5 else "去")
// => 不去

將經過10000次優(yōu)化后的權重代入[1,0,0]，計算出 p 為 0.9999253713868242，大于 0.5 且無限接近于1，所以小明會去看電影。

---

網站名稱：10行代碼實現(xiàn)機器學習的案例分析-創(chuàng)新互聯(lián)
分享網址：http://jinyejixie.com/article44/dipgee.html

成都網站建設公司_創(chuàng)新互聯(lián)，為您提供網站內鏈、面包屑導航、網站維護、定制網站、建站公司、微信公眾號

廣告

聲明：本網站發(fā)布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創(chuàng)新互聯(lián)