python如何用pytorch做多项式回归？
发布时间：2022-04-07 15:36:00 所属栏目：语言 来源：互联网
导读：pytorch是一个python优先的深度学习框架，用于自然语言应用程序，为了让大家了解pytorch的使用，下面给大家分享使用pytorch实现多项式回归的方法，有这方面学习需要的朋友可以参考学习。 一元线性回归模型虽然能拟合出一条直线，但精度依然欠佳，拟合的直线
|
pytorch是一个python优先的深度学习框架，用于自然语言应用程序，为了让大家了解pytorch的使用，下面给大家分享使用pytorch实现多项式回归的方法，有这方面学习需要的朋友可以参考学习。 一元线性回归模型虽然能拟合出一条直线，但精度依然欠佳，拟合的直线并不能穿过每个点，对于复杂的拟合任务需要多项式回归拟合，提高精度。多项式回归拟合就是将特征的次数提高，线性回归的次数使一次的，实际我们可以使用二次、三次、四次甚至更高的次数进行拟合。由于模型的复杂度增加会带来过拟合的风险，因此需要采取正则化损失的方式减少过拟合，提高模型泛化能力。希望大家可以自己动手，通过一些小的训练掌握pytorch（案例中有些观察数据格式的代码，大家可以自己注释掉） # 相较于一元线性回归模型，多项式回归可以很好的提高拟合精度，但要注意过拟合风险 # 多项式回归方程 f(x) = -1.13x-2.14x^2+3.12x^3-0.01x^4+0.512 import torch import matplotlib.pyplot as plt import numpy as np # 数据准备(测试数据) x = torch.linspace(-2,2,50) print(x.shape) y = -1.13*x - 2.14*torch.pow(x,2) + 3.15*torch.pow(x,3) - 0.01*torch.pow(x,4) + 0.512 plt.scatter(x.data.numpy(),y.data.numpy()) plt.show() # 此时输入维度为4维 # 为了拼接输入数据，需要编写辅助数据，输入标量x,使其变为矩阵，使用torch.cat拼接 def features(x): # 生成矩阵 # [x,x^2,x^3,x^4] x = x.unsqueeze(1) print(x.shape) return torch.cat([x ** i for i in range(1,5)], 1) result = features(x) print(result.shape) # 目标公式用于计算输入特征对应的标准输出 # 目标公式的权重如下 x_weight = torch.Tensor([-1.13,-2.14,3.15,-0.01]).unsqueeze(1) b = torch.Tensor([0.512]) # 得到x数据对应的标准输出 def target(x): return x.mm(x_weight) + b.item() # 开始训练模型 epochs = 10000 batch_size = 32 model = PolynomialRegression() criterion = torch.nn.MSELoss() optimizer = torch.optim.SGD(model.parameters(),0.001) （编辑：南通站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
