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：

9 S/ U: v& I& c- F( `4 G* 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。

2. 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。

) c1 z1 i/ @  [' i7 A  i- l2 v* m: T3. 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。

) p) D/ U2 }& r+ U4. 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：
; L: G8 U4 X2 @5 k8 B3 d1 U   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。
5 `0 f' G+ m" o  l, Q$ e   b. 更新W0为新的W，增加迭代次数k，并将flag设为1。

, q  y9 z. l" A& y  n. Z3 ?5. 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。

1 y* b$ w! r% ?! Q5 s5 i* h6. 根据更新后的权重W，计算并绘制判别直线。
- X6 S& N& ^" G
0 q  D2 u: p9 L9 B% T2 ^$ A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。
, \' c- h+ ?) J& h

9 x- S- N, U1 y$ i+ ^% \4 q
# ^  M0 p. F* D5 ]8 L6 I