MSE（均方误差）梯度下降算法

2744557306

本文提供的代码实现了MSE（均方误差）梯度下降算法，也被称为Widrow-Hoff规则。以下是代码的大致解释：
) U3 G: a. }0 w3 T5 B/ f. j
+ q0 L+ F# ?; d1 e1. 初始设置N为100，生成两类随机样本数据，并绘制初始样本分布图。
: n9 N) {+ l2 ]" \) _! W5 b1 U% {
( Z6 M; P* u# j7 q& k: l& G" s2. 将训练样本X复制给增广样本向量Y，并添加一列全为1的偏置列。然后将第二类样本取负值，从而规范化数据。

0 Y( g( ?, [$ r: f1 X/ b% i& d% b3. 初始化权向量W0和W为[0 0 0]和[1 1 1]。设置学习率p为1.0，迭代次数k为1，阈值b为0.5，计算W1为W-W0，设置flag为1。
# x) r8 E1 R: s: `: U0 \( k5 }1 n- ]
4. 在迭代中，如果标志flag为1且W1的范数大于10^(-3)，则执行以下操作：
   a. 对于每个样本i，如果W0与Y(i,的内积小于阈值b，则更新权重W以使其逼近Y(i,并计算新的W1。
; @. o5 p6 W! {9 }  Q# d   b. 更新W0为新的W，增加迭代次数k，并将flag设为1。

+ p; n; b3 l( w5 @% d9 x5. 随机生成一个待判断样本x，并将其转化为增广样本。根据计算得到的权重W和阈值b来判断待判样本属于哪一类，并在图中用标记表示。

6. 根据更新后的权重W，计算并绘制判别直线。

, Y9 ?; v0 b7 p2 `% E0 g- k+ E, M总的来说，该代码实现了一个简单的二分类任务，使用MSE梯度下降算法（Widrow-Hoff规则）来训练模型，然后根据训练后的模型对新样本进行分类，并在图中展示分类结果和判别直线。
3 w: o9 n' R1 P0 ?* `9 ?
/ D' G9 t$ T. h  `2 o

, J# `) ~4 W2 o/ Q8 B, m