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：
6 T8 ]% }' A9 I5 _9 v
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。

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。

9 L; }# v& w6 [! t4 T! |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。
( v+ ?9 s$ ~$ K5 D
, d$ v7 ^" g; U* h4. 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：
& `/ @1 C3 ^$ B   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。

. j; k6 B. g' Z+ N- `+ `0 }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。

6. 根据更新后的权重W，计算并绘制判别直线。
6 c; t0 F+ w/ p
" c$ F8 v6 d+ S% D) 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。
0 P7 J0 {! |2 \; g; W5 d% u4 a
. a* M5 `" b4 q5 B

" Y: j/ j* C2 D3 @3 }7 A  I