python梯度下降法求解三元线性回归系数，并绘制结果

本文主要是介绍python梯度下降法求解三元线性回归系数，并绘制结果，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

import numpy as np
import matplotlib.pyplot as plt

# 生成随机数据
np.random.seed(0)
X1 = 2 * np.random.rand(100, 1)
X2 = 3 * np.random.rand(100, 1)
X3 = 4 * np.random.rand(100, 1)
y = 4 + 3 * X1 + 5 * X2 + 2 * X3 + np.random.randn(100, 1)

# 合并特征
X_b = np.hstack([np.ones((100, 1)), X1, X2, X3])

# 梯度下降求解多元线性回归系数
eta = 0.1  # 学习率
n_iterations = 1000  # 迭代次数
m = 100  # 样本数

theta = np.random.randn(4, 1)  # 初始化参数

for iteration in range(n_iterations):
    gradients = 2/m * X_b.T.dot(X_b.dot(theta) - y)
    theta -= eta * gradients

# 打印得到的参数
print("得到的参数为：", theta)

# 绘制结果
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')

# 绘制原始数据点
ax.scatter(X1, X2, y, c='b', marker='o')

# 生成新数据点
X1_new = np.linspace(0, 2, 100)
X2_new = np.linspace(0, 3, 100)
X1_new, X2_new = np.meshgrid(X1_new, X2_new)
X3_new = (-theta[0] - theta[1] * X1_new - theta[2] * X2_new) / theta[3]

# 绘制平面
ax.plot_surface(X1_new, X2_new, X3_new, alpha=0.5)

ax.set_xlabel('X1')
ax.set_ylabel('X2')
ax.set_zlabel('y')

plt.show()
 

这篇关于python梯度下降法求解三元线性回归系数，并绘制结果的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---