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：
3 T5 h3 r" o3 g7 U9 R0 y
& H$ X- Z0 S, }( a' ?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。
" g* g) O, O, C* ^- e
5 n% F& O2 }/ w! g2. 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。

- Y/ q5 m) e0 ~8 x3. 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。
) g( P, \8 [- f2 ]+ d5 K3 E$ t
8 ]$ I+ |# N9 K5 l/ 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：
. z; a# k, I: }   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。
  Z; h# U/ R# x" V4 j   b. 更新W0为新的W，增加迭代次数k，并将flag设为1。

5 B- B" L. X* C0 d& e2 S9 B( P4 ~) C# c5. 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。

3 Z8 \( N) E" w6. 根据更新后的权重W，计算并绘制判别直线。
2 b: o, ]  }  @
0 S5 s1 }+ y* I( Q" ]/ 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。
, V7 o# X" e  L0 M+ H% O

0 N+ g- o- F& y# F2 ]