Mostrami il lineare a
- User
Mostrami il lineare a
Assistant
Ecco una spiegazione completa della regressione lineare semplice con implementazione passo-passo in Python:
Cos'è la Regressione Lineare?
Modello statistico che approssima la relazione tra una variabile indipendente (X) e una variabile dipendente (Y) con una retta: Y = wX + b Dove:
w= coefficiente angolare (pendenza)b= intercetta (valore di Y quando X=0)
Implementazione da Zero
import numpy as np import matplotlib.pyplot as plt # 1. Generazione dati di esempio (retta y = 2x + 1 + rumore) np.random.seed(42) X = np.linspace(0, 10, 100) Y = 2 * X + 1 + np.random.normal(0, 1.5, 100) # 2. Inizializzazione parametri w = 0.0 # peso iniziale b = 0.0 # bias iniziale # 3. Iperparametri learning_rate = 0.01 epochs = 1000 # 4. Addestramento con Gradient Descent losses = [] n = len(X) for epoch in range(epochs): # Predizione Y_pred = w * X + b # Calcolo errore (Mean Squared Error) loss = (1/n) * np.sum((Y_pred - Y)**2) losses.append(loss) # Calcolo gradienti dw = (2/n) * np.sum(X * (Y_pred - Y)) db = (2/n) * np.sum(Y_pred - Y) # Aggiornamento parametri w -= learning_rate * dw b -= learning_rate * db # 5. Risultati print(f"Parametri finali: w = {w:.4f}, b = {b:.4f}") # 6. Visualizzazione plt.figure(figsize=(12, 4)) # Grafico dati e retta di regressione plt.subplot(1, 2, 1) plt.scatter(X, Y, alpha=0.7, label='Dati reali') plt.plot(X, w*X + b, 'r-', lw=2, label=f'Regressione: y = {w:.2f}x + {b:.2f}') plt.title('Regressione Lineare') plt.xlabel('X') plt.ylabel('Y') plt.legend() # Grafico funzione di perdita plt.subplot(1, 2, 2) plt.plot(losses) plt.title('Evoluzione della Loss') plt.xlabel('Epoca') plt.ylabel('MSE') plt.grid(True) plt.tight_layout() plt.show()Spiegazione del Codice:
-
Generazione Dati:
- Creiamo una relazione lineare
y = 2x + 1con rumore gaussiano - 100 punti nell'intervallo [0, 10]
- Creiamo una relazione lineare
-
Inizializzazione:
- Peso (
w) e bias (b) inizializzati a zero
- Peso (
-
Ciclo di Addestramento:
- Predizione: Calcola
ŷ = w*x + b - Loss: Errore quadratico medio (MSE) =
(1/n) * Σ(ŷ - y)^2 - Gradienti:
dw = (2/n) * Σ x*(ŷ - y)(derivata rispetto a w)db = (2/n) * Σ (ŷ - y)(derivata rispetto a b)
- Aggiornamento Parametri:
w = w - learning_rate * dwb = b - learning_rate * db
- Predizione: Calcola
-
Risultati Attesi:
- Dopo 1000 epoche dovresti ottenere valori vicini a:
w ≈ 2.00 (vicino al vero coefficiente 2) b ≈ 1.00 (vicino al vero termine 1)- La loss (MSE) diminuirà progressivamente
Output Grafico:
- Grafico Sinistro:
- Punti blu: dati originali
- Linea rossa: retta di regressione ottimale
- Grafico Destro:
- Diminuzione della funzione di perdita (MSE) durante l'addestramento
Note Importanti:
- Learning Rate: Se troppo alto → instabilità; se troppo basso → convergenza lenta
- Standardizzazione: Per problemi reali è essenziale normalizzare i dati
- Estensione a Regressione Multipla:
# Per n features Y_pred = np.dot(X, w) + b # w diventa un vettore di pesi
Versione con Scikit-Learn (per confronto):
from sklearn.linear_model import LinearRegression model = LinearRegression() model.fit(X.reshape(-1, 1), Y) print(f"Scikit-Learn: w = {model.coef_[0]:.4f}, b = {model.intercept_:.4f}")Questo codice fornisce una comprensione completa dei meccanismi matematici alla base della regressione lineare, implementando l'algoritmo di ottimizzazione fondamentale (Gradient Descent) da zero.
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.