pytorch实现多项式回归_Python

pytorch实现多项式回归，供大家参考，具体内容如下

一元线性回归模型虽然能拟合出一条直线，但精度依然欠佳，拟合的直线并不能穿过每个点，对于复杂的拟合任务需要多项式回归拟合，提高精度。多项式回归拟合就是将特征的次数提高，线性回归的次数使一次的，实际我们可以使用二次、三次、四次甚至更高的次数进行拟合。由于模型的复杂度增加会带来过拟合的风险，因此需要采取正则化损失的方式减少过拟合，提高模型泛化能力。希望大家可以自己动手，通过一些小的训练掌握pytorch（案例中有些观察数据格式的代码，大家可以自己注释掉）

				?

									# 相较于一元线性回归模型，多项式回归可以很好的提高拟合精度，但要注意过拟合风险

									# 多项式回归方程 f(x) = -1.13x-2.14x^2+3.12x^3-0.01x^4+0.512

									import torch

									import matplotlib.pyplot as plt

									import numpy as np

									# 数据准备(测试数据)

									x = torch.linspace(-2,2,50)

									print(x.shape)

									y = -1.13*x - 2.14*torch.pow(x,2) + 3.15*torch.pow(x,3) - 0.01*torch.pow(x,4) + 0.512

									plt.scatter(x.data.numpy(),y.data.numpy())

									plt.show()

									# 此时输入维度为4维

									# 为了拼接输入数据，需要编写辅助数据，输入标量x,使其变为矩阵，使用torch.cat拼接

									def features(x): # 生成矩阵

									    # [x,x^2,x^3,x^4]

									    x = x.unsqueeze(1)

									    print(x.shape)

									    return torch.cat([x ** i for i in range(1,5)], 1)

									result = features(x)

									print(result.shape)

									# 目标公式用于计算输入特征对应的标准输出

									# 目标公式的权重如下

									x_weight = torch.tensor([-1.13,-2.14,3.15,-0.01]).unsqueeze(1)

									b = torch.tensor([0.512])

									# 得到x数据对应的标准输出

									def target(x):

									    return x.mm(x_weight) + b.item()

									# 新建一个随机生成输入数据和输出数据的函数，用于生成训练数据

									def get_batch_data(batch_size):

									    # 生成batch_size个随机的x

									    batch_x = torch.randn(batch_size)

									    # 对于每个x要生成一个矩阵

									    features_x = features(batch_x)

									    target_y = target(features_x)

									    return features_x,target_y

									# 创建模型

									class polynomialregression(torch.nn.module):

									    def __init__(self):

									        super(polynomialregression, self).__init__()

									        # 输入四维度 输出一维度

									        self.poly = torch.nn.linear(4,1)

									    def forward(self, x):

									        return self.poly(x)

									# 开始训练模型

									epochs = 10000

									batch_size = 32

									model = polynomialregression()

									criterion = torch.nn.mseloss()

									optimizer = torch.optim.sgd(model.parameters(),0.001)

									for epoch in range(epochs):

									    print("{}/{}".format(epoch+1,epochs))

									    batch_x,batch_y = get_batch_data(batch_size)

									    out = model(batch_x)

									    loss = criterion(out,batch_y)

									    optimizer.zero_grad()

									    loss.backward()

									    # 更新梯度

									    optimizer.step()

									    if (epoch % 100 == 0):

									        print("epoch:[{}/{}]，loss:{:.6f}".format(epoch,epochs,loss.item()))

									    if (epoch % 1000 == 0):

									        predict = model(features(x))

									        print(x.shape)

									        print(predict.shape)

									        print(predict.squeeze(1).shape)

									        plt.plot(x.data.numpy(),predict.squeeze(1).data.numpy(),"r")

									        loss = criterion(predict,y)

									        plt.title("loss:{:.4f}".format(loss.item()))

									        plt.xlabel("x")

									        plt.ylabel("y")

									        plt.scatter(x,y)

									        plt.show()