python - 我在梯度下降中遇到问题，它给我的 thetas 没有

Question

这个问题已经有答案了:

gradient descent using python and numpy (5 个回答)

已关闭 4 年前。

我刚刚结束了对 python 中的回归、numpy 和 pandas 的学习，当我用数据集尝试使用梯度下降的代码时，它给出了正确的 thetas，而使用另一个数据集时，它给出的 thetas 为无(我用 Normal 尝试过)方程有效，但我想知道所有的方法)这是link无效的数据集。

import numpy as np
import pandas as pd 
def reg1():
    data=pd.read_csv('D:\\New folder (4)\\02.txt',header=None,names=['x','y'])
    data=data.dropna()
    data.insert(0,'x0',1)
    cols=data.shape[1]
    x=np.matrix(data.iloc[:,0:cols-1].values)
    y=np.matrix(data.iloc[:,cols-1:].values)
    theta=np.matrix([0,0])
    def computecost(x,y,theta):
        z= np.power((x*theta.T-y),2)
        return (sum(z)/(2*len(x)))[0,0]
#this is the gradient descent fun
    def gd(x,y,theta,alpha,iters):
        temp=np.zeros(theta.shape)
        par=int(theta.shape[1])
        for i in range(iters):
            error=((x*theta.T)-y)
            for j in range(par):
                term=np.multiply(error,x[:,j])
                temp[0,j]=theta[0,j]-((alpha/len(x))*np.sum(term))
            theta=temp
        return(theta)
    alpha=0.01
    iters=1000
    return gd(x,y,theta,alpha,iters)
theta=reg1()
print(theta)

我希望输出类似于 [[-0.10726546 1.00065638]]但它给了我 [[nan nan]]

Answer 1

对于有同样问题的人

alpha 的值应该是 0.0001 而不是 0.01

但这在我的数据集中

在另一种情况下，您应该更改 alpha 的值，直到获得最佳的计算成本(错误成本)。