### 使用 Numpy 实现梯度下降算法求解二元一次方程 #### 1. 梯度下降法简介 梯度下降是一种优化方法，用于最小化目标函数。对于线性回归问题中的二元一次方程 \(y = wx + b\)，可以通过调整参数 \(w\) 和 \(b\) 来使预测值与实际值之间的误差平方和达到最小[^1]。 #### 2. 定义损失函数 为了衡量预测值与真实值之间的差距，定义均方误差（MSE）作为损失函数： \[ L(w, b) = \frac{1}{n} \sum_{i=1}^{n}(y_i - (wx_i + b))^2 \] 其中 \(n\) 是样本数量，\(x_i\) 和 \(y_i\) 分别是输入特征和对应的真实标签[^2]。 #### 3. 计算梯度并更新参数 通过对损失函数分别对 \(w\) 和 \(b\) 进行偏导数计算得到梯度： \[ \frac{\partial L}{\partial w} = -\frac{2}{n}\sum_{i=1}^{n} x_i(y_i - (wx_i + b)) \] \[ \frac{\partial L}{\partial b} = -\frac{2}{n}\sum_{i=1}^{n} (y_i - (wx_i + b)) \] 利用这些梯度来更新参数 \(w\) 和 \(b\)： \[ w := w - \alpha \cdot \frac{\partial L}{\partial w} \] \[ b := b - \alpha \cdot \frac{\partial L}{\partial b} \] 其中 \(\alpha\) 是学习率，决定了每次迭代中参数更新的步伐大小[^2]。 #### 4. Python 实现代码 以下是基于 NumPy 的梯度下降实现： ```python import numpy as np def gradient_descent(x_data, y_true, learning_rate=0.01, epochs=1000): m = len(x_data) # 样本数量 w = 0.0 # 初始化权重 b = 0.0 # 初始化偏置 for _ in range(epochs): # 开始训练循环 y_pred = w * x_data + b # 当前模型的预测值 dw = (-2 / m) * sum(x_data * (y_true - y_pred)) # 对 w 的梯度 db = (-2 / m) * sum(y_true - y_pred) # 对 b 的梯度 w -= learning_rate * dw # 更新 w 参数 b -= learning_rate * db # 更新 b 参数 return w, b # 返回最终的 w 和 b # 测试数据 x_data = np.array([2021, 2020, 2019]) # 自变量 y_true = np.array([8, 7, 6]) # 因变量 # 调用梯度下降函数 w_final, b_final = gradient_descent(x_data, y_true) print(f"w: {w_final}, b: {b_final}") ``` 运行此代码后会返回最优的 \(w\) 和 \(b\) 值，从而完成对给定数据的拟合[^1]。 #### 5. 数据生成与扩展应用 如果希望生成更多的坐标点来进行其他方程推算，可以根据已有的 \(w\) 和 \(b\) 值生成新的 \(x\) 和对应的 \(y\) 值。例如： ```python new_x = np.linspace(min(x_data), max(x_data), 10) # 新的 x 坐标范围 new_y = w_final * new_x + b_final # 利用当前模型计算新 y 值 for xi, yi in zip(new_x, new_y): print(f"x={xi:.2f}, y={yi:.2f}") # 输出生成的数据点 ``` 这一步骤可以帮助验证模型的效果或者进一步探索未知区域内的趋势[^1]。 ---