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：
# n' W2 w* ^( j- n4 p8 ^/ S
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。
0 P4 D2 t7 g8 @
! j: y- f8 B- j$ I8 T4 `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。
- a" N& ^) I7 X
2 J  x: I/ g% g& d3. 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。

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：
. t5 Y6 D1 q3 C   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。
/ W4 O; X- I1 C* D   b. 更新W0为新的W，增加迭代次数k，并将flag设为1。

, q2 w* v  X) V5 N' {( 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。

+ `9 X8 v7 }' {/ G7 ^6. 根据更新后的权重W，计算并绘制判别直线。

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。



! m3 Z  i5 T5 P& |$ w9 G* g8 @