问题描述
所以我的想法是（从神经网络专家那里借来的）如果我有数据集D，我可以通过首先计算相对于参数（a，b和c的误差的导数）来拟合二次曲线。 ），然后进行小的更新以最大程度地减少错误。我的问题是，以下代码实际上无法管理曲线。对于线性的东西，类似的方法是可行的，但是由于某种原因，二次方似乎失败了。您能看到我做错了什么（假设还是执行错误）
编辑：这个问题不够具体：以下代码不能很好地处理数据偏差。由于某种原因，它以某种方式更新了a和b参数，从而使c落后了。这种方法类似于机器人技术（使用Jacobian查找路径）和神经网络（基于错误查找参数），因此它不是不合理的算法，现在的问题是，为什么这种特定的实现方式不会产生我期望的结果。
在下面的Python代码中，我将math用作m，MSE是一个函数，用于计算两个数组之间的均方误差。除此之外，代码是自包含的
代码：
@Component({
selector: 'app-service',templateUrl: './sample.component.html',styleUrls: ['./sample.component.scss']
})
export class SampleComponent {
constructor(private viewportScroller: ViewportScroller) {}
public scrolltoElementId(elementId: string): void {
this.viewportScroller.scrollToAnchor(elementId);
}
}
解决方法
对我来说，您的代码似乎完全正确！至少算法是正确的。我已将您的代码更改为使用numpy而非纯Python进行快速计算。另外，我还配置了一些参数，例如改变了动量和学习速度，也实现了MSE。
然后我用matplotlib绘制情节动画。最后，在动画上，看起来您的回归实际上试图使曲线适合数据。尽管在将sin(x)中的x拟合到[0; 2 * pi]中的sin(x)的最后一次迭代中，它看起来像是线性逼近，但是对于二次曲线而言，它仍然尽可能地靠近数据点。但是对于x中[0; pi]中12-th的{{1}}来说，它似乎是理想的近似值（它从i-th迭代开始拟合）。
dErr = 0.7 ** (i + 15)动画帧只对save进行回归。
我的动画只运行脚本有点慢，但是如果您像这样python script.py save添加参数line.gif，它将渲染/保存到python -m pip install numpy matplotlib绘图动画中。如果运行不带参数的脚本，它将在PC屏幕上实时动画显示/拟合。
完整的代码紧随图形之后，代码需要通过运行一次sin(x)安装一些python模块。
接下来是x中(0,pi)的{{1}}：
接下来是sin(x)中x的{{1}}：
接下来是(0,2 * pi)中abs(x)的{{1}}：
x