python怎么算l2范数_回归模型中成本函数的L1范数代替L2范数

你可以用压缩。最小化功能。你必须设置你想要最小化的函数(在我们的例子中&＃xff0c;一个平面的形式是Z&＃61;aX&＃43;bY&＃43;c)和误差函数(L1范数)&＃xff0c;然后用一些起始值运行最小值。在import numpy as np

import scipy.linalg

from scipy.optimize import minimize

from mpl_toolkits.mplot3d import Axes3D

import matplotlib.pyplot as plt

def fit(X, params):

# 3d Plane Z &＃61; aX &＃43; bY &＃43; c

return X.dot(params[:2]) &＃43; params[2]

def cost_function(params, X, y):

# L1- norm

return np.sum(np.abs(y - fit(X, params)))

我们生成3d点

^{pr2}$

最后我们运行最小值output &＃61; minimize(cost_function, [0.5,0.5,0.5], args&＃61;(np.c_[data[:,0], data[:,1]], data[:, 2]))

y_hat &＃61; fit(np.c_[data[:,0], data[:,1]], output.x)

X,Y &＃61; np.meshgrid(np.arange(min(data[:,0]), max(data[:,0]), 0.5), np.arange(min(data[:,1]), max(data[:,1]), 0.5))

XX &＃61; X.flatten()

YY &＃61; Y.flatten()

# # evaluate it on grid

Z &＃61; output.x[0]*X &＃43; output.x[1]*Y &＃43; output.x[2]

fig &＃61; plt.figure(figsize&＃61;(10,10))

ax &＃61; fig.gca(projection&＃61;&＃39;3d&＃39;)

ax.plot_surface(X, Y, Z, rstride&＃61;1, cstride&＃61;1, alpha&＃61;0.2)

ax.scatter(data[:,0], data[:,1], data[:,2], c&＃61;&＃39;r&＃39;)

plt.show()

注意&＃xff1a;我使用了前面的响应代码和来自github的code作为开始