Spaces:
Sleeping
Sleeping
File size: 2,305 Bytes
b193952 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 | import numpy as np
class MultipleLinearRegressionGradientDescent():
# Constructor: inicializa los parámetros del modelo
def __init__(self,n_iterations,learning_rate):
# Vector de pesos
self.weights = None
# Término independiente (bias)
self.intercept = None
# Número de iteraciones para entrenar
self.n_iterations = n_iterations
# Tasa de aprendizaje η
self.lr = learning_rate
# Lista para guardar el error cuadrático medio en cada iteración
self.errors = []
# Función que realiza una actualización de los pesos y el bias
def _Gradient_Descent(self,n_samples,X,y_preds,y_act):
# Derivada de la función de costo MSE con respecto a los pesos
self._Dw = (-1)*(1/n_samples)*np.dot(X.transpose(),(y_act-y_preds))
# Derivada con respecto al intercepto (término independiente)
self._Di = (-1)*(1/n_samples)*np.sum(y_act-y_preds)
# Actualización de los pesos
self.weights = self.weights-(self.lr*self._Dw)
# Actualización del intercepto
self.intercept = self.intercept-(self.lr*self._Di)
# Método para entrenar el modelo con los datos de entrada X y salidas y
def fit(self,X,y):
# Número de ejemplos y características
n_samples,n_features = X.shape
# Inicializa pesos en cero
self.weights = np.zeros(n_features)
# Inicializa el bias en cero
self.intercept = 0
# Ciclo de entrenamiento por número de iteraciones especificado
for _ in range(self.n_iterations):
# Predicción
y_preds = self.intercept+X.dot(self.weights)
# Error cuadrático medio
error = np.mean((y-y_preds)**2)
# Guarda el error para graficar o monitorear convergencia
self.errors.append(error)
# Realiza una actualización de los pesos y el bias
self._Gradient_Descent(n_samples,X,y_preds,y)
# Método para hacer predicciones con nuevos datos
def predict(self,x):
# Convierte a numpy array si no lo es
if type(x) != 'numpy.ndarray':
x = np.array(x)
# Calcula ŷ = Xw + b y devuelve el resultado
return self.intercept + x.dot(self.weights)
|