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：
* i# _7 T! z" k/ ^8 ]
1. 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。
% i3 t/ F) }  L% y, s
1 E/ S& r9 B' n7 V4 u. l6 z6 G0 D2. 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。
2 }3 R: p* P" `6 q8 o0 z  d
3. 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。
, }# o% L- V4 M) e2 o  ^
' _( j1 R, I: F: K4. 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：
! a1 E) `0 \$ n5 J0 Q   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。
   b. 更新W0为新的W，增加迭代次数k，并将flag设为1。
2 |$ ?" m) i# \. ?) K
. G7 d- F; ?$ X+ T! A; `" m0 [& a5. 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。
* ~0 d) u/ ^1 Y6 k4 \7 ?3 x
6. 根据更新后的权重W，计算并绘制判别直线。
* U. ]1 S8 l: n; T' d
# L9 I# }3 ~" H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。



6 O% Y$ y5 y4 ~