我正在使用numpy在python中实现线性回归。我对平方成本函数的实现看起来像这样
square_cost(w, datax, datay):
ndata = datax.shape[1]
return (1/ndata)*np.sum((h(w, datax)-datay)**2)
所有参数都是二维ndarray,但是datay和结果只有一个高度。
我后来看到的是这个实现:
square_cost(w, datax, datay):
ndata = datax.shape[1]
diff = h(w, datax)-datay
return (1/ndata)*diff.dot(diff.T)
我认为我的第一个实现是最清晰的,但是第二个更快,因为它使用点积?
答案 0 :(得分:6)
import numpy as np
np.random.seed([3, 1415])
x = np.random.rand(1000000, 1)
y = np.random.rand(1000000, 1)
%%timeit
diff = x - y
diff.T.dot(diff)
100个循环,最佳3:3.66毫秒/循环
%%timeit
diff = x - y
np.square(diff).sum()
100个循环,最佳3:6.85毫秒/循环
我说是的。点产品更快。
为了完整性并在OP的问题评论中解决@ Eric关注的问题。
在回归中,内生(y)变量的维数为n x 1.因此,我们可以安全地假设第二维的大小始终为1。
然而,如果它的大小大于1,比如m,(这肯定是可能的,而不是OP需要的那样)那么我们将会看到外生(X)维nxk和内生( Y)尺寸nx m。这意味着大小为k×m的参数矩阵Theta。还是完全合理的。踢球者是为了计算我们正在做的平方误差之和(X * Theta-Y)的平方和求和。 (X * Theta - Y)的内积不再适合作为计算我们的成本函数的手段,其性能无关紧要。为了得到合适的东西,我们将(X * Theta - Y)重塑为一维,然后取内部产品。在这种情况下,我们在一个维度上进行的相同分析仍然是最合适的分析。
所有这一切,我运行了以下代码:
idx = pd.Index(np.arange(1000, 501000, 1000)).sort_values()
ddd = pd.DataFrame(index=idx, columns=['dot', 'dif'])
def fill_ddd(row):
i = row.name
x = np.random.rand(i, 1)
s = pd.datetime.now()
for _ in range(100):
x.T.dot(x)
row.loc['dot'] = (pd.datetime.now() - s).total_seconds() / 100.
s = pd.datetime.now()
for _ in range(100):
np.square(x).sum()
row.loc['dif'] = (pd.datetime.now() - s).total_seconds() / 100.
return row
np.random.seed([3, 1415])
ddd.apply(fill_ddd, axis=1)
ddd.plot()
点积是明显的赢家,而且更加一致。