人工智能-数学基础-函数与优化

矫情吗；* 2023-01-14 02:00 103阅读 0赞

## 一.最优化问题 ##

### 1.一元方程最优化问题 ###

**求解函数极小值**  f ( x ) = x 2 + x − 1 f(x) = x^2 + x -1 f(x)=x2\+x−1

#### 1.1 传统求解 ####

**先求导，使导数为0:**  f ′ ( x ) = 2 x + 1 = 0 f\\prime(x) = 2x+ 1=0 f′(x)=2x\+1=0

x = − 0.5 x = -0.5 x=−0.5  
**但是大多数情况下，函数很难直接计算导数为0，并且计算机无法跟人脑似的解方程，所以大多数情况下需要依靠数值求解。**

#### 1.2 随机过程求解，类似“模拟退火” ####

**依靠不断地尝试求解：**

""" 一元二次方程求极值(随机过程，模拟退火) """
    import numpy as np
    
    
    # 要求解的一元二次方程
    def f(x):
        return x ** 2 + x - 1
    
    
    # 估计一个附近值
    x = 1
    y = f(x)
    for step in range(10000):
        # 生成随机的在 -0.5到0.5之间范围的自变量
        xt = x + (np.random.random() - 0.5)
        yt = f(xt)
        # 当yt变得比y小的时候, 将 xt 赋值给 x, 不停地迭代, y值会变得越来越小, 直至到达极值
        if yt < y:
            x = xt
            y = yt
            print(x, y)
        else:
            continue
    
    print(x, y)

#### 1.3 梯度下降法 ####

设 当 前 自 变 量 为 x t ， 新 的 x t + 1 = x t + Δ x ， 后 使 得 f ( x t ) ≥ f ( x t + 1 ) 即 可 。 设当前自变量为 x\_t，新的x\_\{t+1\} = x\_t + \\Delta x，后使得 f(x\_t) \\geq f(x\_\{t+1\}) 即可。 设当前自变量为xt，新的xt\+1=xt\+Δx，后使得f(xt)≥f(xt\+1)即可。  重 复 这 个 过 程 ， 直 到 最 后 的 x t , x t + 1 , ⋯   , x t + n 不 再 发 生 变 化 。 即 趋 于 收 敛 。 重复这个过程，直到最后的 x\_t,x\_\{t+1\},\\cdots,x\_\{t+n\}不再发生变化。即趋于收敛。 重复这个过程，直到最后的xt,xt\+1,⋯,xt\+n不再发生变化。即趋于收敛。 函数可以展开为：  f ( x t + 1 ) = f ( x t + Δ x ) ≈ f ( x t ) + f ′ ( x ) Δ x f(x\_\{t+1\}) = f(x\_t + \\Delta x) \\approx f(x\_t) + f\\prime(x)\\Delta x f(xt\+1)=f(xt\+Δx)≈f(xt)\+f′(x)Δx

f ( x t + 1 ) − f ( x t ) ≈ f ′ ( x ) Δ x ， 因 此 当 Δ x = − η f ′ ( x ) 且 ( η > 0 ) 时 ， f ( x t + 1 ) − f ( x t ) ≈ − η f ′ ( x ) 2 ≤ 0 f(x\_\{t+1\}) -f(x\_t) \\approx f\\prime(x)\\Delta x，因此当 \\Delta x = -\\eta f\\prime(x)且 (\\eta > 0)时， f(x\_\{t+1\}) -f(x\_t) \\approx -\\eta f\\prime(x)^2 \\leq 0 f(xt\+1)−f(xt)≈f′(x)Δx，因此当Δx=−ηf′(x)且(η>0)时，f(xt\+1)−f(xt)≈−ηf′(x)2≤0  
 当 Δ x = − η f ′ ( x ) 时 ， f ( x t ) ≥ f ( x t + 1 ) 当 \\Delta x = -\\eta f\\prime(x)时，f(x\_t) \\geq f(x\_\{t+1\}) 当Δx=−ηf′(x)时，f(xt)≥f(xt\+1)

**说明：**  
 η 称 为 学 习 率 ， 学 习 率 过 大 ， 此 时 迭 代 发 散 , 学 习 过 小 ， 迭 代 收 敛 缓 慢 , 取 得 合 适 的 极 小 值 时 ， 此 时 称 为 迭 代 收 敛 。 \\eta称为学习率，学习率过大，此时迭代发散,学习过小，迭代收敛缓慢,取得合适的极小值时，此时称为迭代收敛。 η称为学习率，学习率过大，此时迭代发散,学习过小，迭代收敛缓慢,取得合适的极小值时，此时称为迭代收敛。

""" 一元二次方程求极值(梯度下降法(导数)) """
    
    
    # 要求解的一元二次方程
    def f(x):
        return x ** 2 + x - 1
    
    
    # 该方程的梯度(或导数)
    def gradf(x):
        return 2 * x + 1
    
    
    # 给予一个初始值, 该值是估计值, 即凭借经验得出的x的近似值
    x = 1
    # 机器学习中称为学习率, 过小的话, 会导致迭代收敛过于缓慢,
    # 过大的话, 又会导致迭代发散
    eta = 0.01
    
    for step in range(1000):
        dydx = gradf(x)
        # 理想结果是该计算收敛, 最终 x 会无限接近甚至达到极小值所在点
        x = x - dydx * eta
        print(step, x, f(x))
    
    print(x, f(x))

### 2.多元函数求极小值 ###

有 多 个 自 变 量 的 函 数 ， f ( x 1 , x 2 , ⋯   , x n ) ， 即 f ( x ) ， f ( x → ) ， f ( x ) 例 如 求 解 f ( x 1 , x 2 ) = x 1 2 + x 2 2 + 2 x 1 + x 2 − 1 有多个自变量的函数， f(x\_1,x\_2,\\cdots,x\_n) ，即 f(x)， f(\\overrightarrow x)， f(\\bf x) 例如求解f(x\_1,x\_2) = x\_1^2 + x\_2^2 + 2x\_1 + x\_2 - 1 有多个自变量的函数，f(x1,x2,⋯,xn)，即f(x)，f(x)，f(x)例如求解f(x1,x2)=x12\+x22\+2x1\+x2−1  
 多 元 函 数 求 偏 导 ： ∂ f ( x 1 , x 2 ) ∂ x 1 = 2 x 1 + 2 ； ∂ f ( x 1 , x 2 ) ∂ x 2 = 2 x 2 + 1 ， 对 某 个 自 变 量 进 行 展 开 ： 多元函数求偏导：\\frac \{\\partial f(x\_1,x\_2)\}\{\\partial x\_1\} = 2x\_1 + 2； \\frac \{\\partial f(x\_1,x\_2)\}\{\\partial x\_2\} = 2x\_2 + 1，对某个自变量进行展开： 多元函数求偏导：∂x1∂f(x1,x2)=2x1\+2；∂x2∂f(x1,x2)=2x2\+1，对某个自变量进行展开：  
 f ( x 1 , x 2 , ⋯   , x i + Δ x i , ⋯   , x n ) ≈ f ( x ) + ∂ f ∂ x i Δ x i f(x\_1,x\_2,\\cdots,x\_i + \\Delta x\_i, \\cdots,x\_n) \\approx f(x) + \\frac \{\\partial f\}\{\\partial x\_i\}\\Delta x\_i f(x1,x2,⋯,xi\+Δxi,⋯,xn)≈f(x)\+∂xi∂fΔxi  
 注 释 ： Δ x 代 表 一 个 微 小 的 变 化 注释： \\Delta x代表一个微小的变化 注释：Δx代表一个微小的变化  
如果第二个自变量也发生了微小的变化：  
 f ( x 1 , x 2 + Δ x 2 , ⋯   , x i + Δ x i , ⋯   , x n ) ≈ f ( x ) + ∂ f ∂ x i Δ x i + ∂ f ∂ x 2 Δ x 2 f(x\_1,x\_2+ \\Delta x\_2,\\cdots,x\_i + \\Delta x\_i, \\cdots,x\_n) \\approx f(x) + \\frac \{\\partial f\}\{\\partial x\_i\}\\Delta x\_i + \\frac \{\\partial f\}\{\\partial x\_2\}\\Delta x\_2 f(x1,x2\+Δx2,⋯,xi\+Δxi,⋯,xn)≈f(x)\+∂xi∂fΔxi\+∂x2∂fΔx2  
如果所有自变量都发生了微小的变化：  
 f ( x 1 + Δ x 1 , ⋯   , x i + Δ x i , ⋯   , x n + Δ x n ) ≈ f ( x ) + ∑ i = 1 n ∂ f ∂ x i Δ x i f(x\_1 + \\Delta x\_1,\\cdots,x\_i + \\Delta x\_i, \\cdots,x\_n+ \\Delta x\_n) \\approx f(x) + \\sum\_\{i=1\}^n \\frac \{\\partial f\}\{\\partial x\_i\}\\Delta x\_i f(x1\+Δx1,⋯,xi\+Δxi,⋯,xn\+Δxn)≈f(x)\+i=1∑n∂xi∂fΔxi

此时：

∇ f = \[ ∂ f ∂ x x , ⋯   , ∂ f ∂ x n \] 称 为 梯 度 向 量 ； \\nabla f = \[ \\frac \{\\partial f\}\{\\partial x\_x\},\\cdots,\\frac \{\\partial f\}\{\\partial x\_n\}\] 称为梯度向量； ∇f=\[∂xx∂f,⋯,∂xn∂f\]称为梯度向量；  
 Δ x = \[ Δ x 1 , ⋯   , Δ x n \] 为 增 量 向 量 ； \\Delta x = \[\\Delta x\_1,\\cdots ,\\Delta x\_n\] 为增量向量； Δx=\[Δx1,⋯,Δxn\]为增量向量；  
 当 Δ x = − η ∇ f ， f ( x + Δ x ) − f ( x ) = ∇ f Δ x = − η ∇ f 2 = − η ∑ i = 1 n ( ∂ f ∂ x i ) 2 ≥ 0 当 \\Delta x = -\\eta \\nabla f ，f(x+\\Delta x) - f(x) = \\nabla f \\Delta x = -\\eta \\nabla f ^2 = -\\eta\\sum\_\{i=1\}^n (\\frac \{\\partial f\}\{\\partial x\_i\})^2 \\geq 0 当Δx=−η∇f，f(x\+Δx)−f(x)=∇fΔx=−η∇f2=−ηi=1∑n(∂xi∂f)2≥0  
 即 ： x t + 1 = x t − η ∇ f 时 ， 函 数 f ( x t + 1 ) ≤ f ( x t ) 即： x\_\{t+1\} = x\_t -\\eta \\nabla f时，函数 f(x\_\{t+1\}) \\leq f(x\_t) 即：xt\+1=xt−η∇f时，函数f(xt\+1)≤f(xt)  
 展 开 成 分 量 ： x i ← x i − η ∂ f ∂ x i 展开成分量：x\_i \\leftarrow x\_i - \\eta \\frac \{\\partial f\}\{\\partial x\_i\} 展开成分量：xi←xi−η∂xi∂f  
 以 上 可 以 进 行 梯 度 下 降 法 以上可以进行梯度下降法 以上可以进行梯度下降法

""" 多元函数求极值(梯度下降法(导数)) """
    
    
    # 要求解的多元方程
    def f(x1, x2):
        return x1 ** 2 + x2 ** 2 + 2 * x1 + x2 - 1
    
    
    # 该方程的梯度(或导数)
    def gradf(x1, x2):
        return 2 * x1 + 2,  2 * x2 + 1
    
    
    # 给予一个初始值, 该值是估计值, 即凭借经验得出的x1, x2的近似值
    x1, x2 = 1, 1
    
    # 机器学习中称为学习率, 过小的话, 会导致迭代收敛过于缓慢,
    # 过大的话, 又会导致迭代发散
    eta = 0.3
    
    for step in range(50):
        # 求多元函数各个自变量的偏导数
        dydx1, dydx2 = gradf(x1, x2)
        # 每个自变量依次进行收敛
        x1 = x1 - dydx1 * eta
        x2 = x2 - dydx2 * eta
        print(step, x1, x2, f(x1, x2))
    
    print(step, x1, x2, f(x1, x2))

### 3.实际运用：求任意数字的开根号 ###

任意一个数字假设为x，假设：  x = a \\sqrt\{x\} = a x=a  
定义一个函数：  
 L = （ a 2 − x ） 2 ， 此 为 目 标 函 数 ， 当 x = a ， 函 数 取 得 极 小 值 L=（a^2-x）^2，此为目标函数，当\\sqrt\{x\} = a，函数取得极小值 L=（a2−x）2，此为目标函数，当x=a，函数取得极小值  
求取极小值的过程就是迭代的过程：  
1.随意取初始值 a= 0  
2. 对a进行求导  
 a t + 1 = a t − η ∂ f ∂ a = a t − 4 η a ( a 2 − x ) a\_\{t+1\} = a\_t-\\eta \\frac \{\\partial f\}\{\\partial a\}=a\_t-4 \\eta a(a^2-x) at\+1=at−η∂a∂f=at−4ηa(a2−x)  
3.迭代过程中：  
　 a.需要调整学习率，使得模型尽快收敛而且不发散。  
　 b.如果迭代发散，需要减少学习率  
　 c.如果收敛缓慢需要增加学习率  
　 d.需要调整不同的初始值。

""" .梯度下降法求解开根号, 如: 求解 根号5 思路: 将该问题转化为数学问题, 转化为求解 y = (x^2 - b)^2 的最小值问题 """
    
    
    def sqrt(b):
        # 我们转化的数学模型, 需要求解它的极小值
        def f(x, b):
            return (x ** 2 - b) ** 2
    
        # 我们所建立的数学模型的导数(也称梯度)
        def gradf(x, b):
            return 4 * x * (x ** 2 - b)
    
        # 给予一个初始值, 该值是估计值, 即凭借经验得出的x的近似值
        x = 1
        # 机器学习中称为学习率, 过小的话, 会导致迭代收敛过于缓慢,
        # 过大的话, 又会导致迭代发散
        eta = 0.001
    
        # 进行迭代
        for step in range(1000):
            # 求解每次迭代中的导数值
            dydx = gradf(x, b)
            # 理想结果是该计算收敛, 最终 x 会无限接近甚至达到极小值所在点
            x = x - eta * dydx
            print(step, x, f(x, b))
    
        return x
    
    
    b = 5
    print(sqrt(b))

## 二.利用梯度下降法进行机器学习 ##

### 2.1 预测股票涨幅 ###

预测股票涨跌，假设通过观察，某天涨跌幅ｄ，与前两天的涨跌幅有关，则进行建模：  
 y ＝ a x 1 + b x 2 + c y＝ax\_1+bx\_2+c y＝ax1\+bx2\+c  
y是对于今天的股票的预测。a，b，c是建模过程中所用的预设参数，称为可训练参数。  
模型进行调整的依据为：  
 l = ( d − y ) 2 l=(d-y)^2 l=(d−y)2  
此时l称为损失函数，用于衡量预测输出y与真实值d之间的接近程度。

**我们可以利用现有历史数据，可以制作很多的的数据对\{x1，x2，d\}，称为样本或训练数据。使用训练数据对可训练参数进行调整。以上就是机器学习的过程。**

**步骤：**  
1.准备数据，矩阵分块计算  
2.训练模型  
 L = 1 N ∑ i N ( y i + d i ) 2 L=\\frac\{1\}\{N\} \\sum\_\{i\}^N (y\_i+d\_i)^2 L=N1i∑N(yi\+di)2  
对可训练参数求导：  
 ∂ L ∂ a = 1 N ∑ i N ∂ L ∂ y i ∂ y i ∂ a = 1 N ∑ i N 2 ( y i − d i ) x i , 1 = 2 ( y − d ) x 1 ‾ \\frac \{\\partial L\}\{\\partial a\}=\\frac\{1\}\{N\}\\sum\_\{i\}^N \\frac \{\\partial L\}\{\\partial y\_i\}\\frac \{\\partial y\_i\}\{\\partial a\} =\\frac\{1\}\{N\}\\sum\_\{i\}^N2(y\_i-d\_i)x\_\{i,1\}=\\overline\{2(y-d)x\_1\} ∂a∂L=N1i∑N∂yi∂L∂a∂yi=N1i∑N2(yi−di)xi,1=2(y−d)x1  
 ∂ L ∂ b = 1 N ∑ i N ∂ L ∂ y i ∂ y i ∂ b = 1 N ∑ i N 2 ( y i − d i ) x i , 2 = 2 ( y − d ) x 2 ‾ \\frac \{\\partial L\}\{\\partial b\}=\\frac\{1\}\{N\}\\sum\_\{i\}^N \\frac \{\\partial L\}\{\\partial y\_i\}\\frac \{\\partial y\_i\}\{\\partial b\} =\\frac\{1\}\{N\}\\sum\_\{i\}^N2(y\_i-d\_i)x\_\{i,2\}=\\overline\{2(y-d)x\_2\} ∂b∂L=N1i∑N∂yi∂L∂b∂yi=N1i∑N2(yi−di)xi,2=2(y−d)x2

""" 用前两天的股票升降幅预测第三天的股票升降幅 """
    import tushare as ts
    import matplotlib.pyplot as plt
    import numpy as np
    
    data = ts.get_hist_data("600848")
    np.array(data)
    print(data)
    
    
    # 此为构建的模型，y= ax1 + bx2 + c 就是对于今天的股票的预测。x1, x2分别为前两天的升降值, a, b, c为可训练参数
    # 调整的依据就是：使得损失函数 L = (d - y)^2 最小
    def model(x1, x2, a, b, c):
        return a * x1 + b * x2 + c
    
    
    # 损失函数, 损失函数越小, 则该预测模型越准确(此为目标函数)
    def loss_function(d, y):
        return (d - y) ** 2
    
    
    # 对目标函数的几个可训练参数 a, b, c分别求导
    def gradL(x1, x2, d, a, b, c):
        y = model(x1, x2, a, b, c)
        # 这里运用的是矩阵的分块计算, 计算得出的值是一个列表
        dLdy = 2 * (y - d)
        dLda = dLdy * x1
        dLdb = dLdy * x2
        dLdc = dLdy * 1
        # 求一下均值
        return np.mean(dLda), np.mean(dLdb), np.mean(dLdc)
    
    
    # 数据
    x = data.values[:, 6]
    
    """ 对数据进行分块, 向量 [x1, x2, d]所组成的数据, 进行计算时类似于此种形式 例如数据集 [4月1日, 4月2日, 4月3日, 4月4日, 4月5日] x1 = [4月1日, 4月2日, 4月3日] x2 = [4月2日, 4月3日, 4月4日] x3 = [4月3日, 4月4日, 4月5日] 计算时, 每一列分别参加一组计算, 即为用前两天的数据, 预测第三天的值 """
    x1 = x[:-3]
    x2 = x[1:-2]
    d = x[2:-1]
    
    # 预测值
    a, b, c = 0, 0, 0
    # 学习率
    eta = 0.05
    for step in range(100):
        # 求解 a, b, c 的偏导
        ga, gb, gc = gradL(x1, x2, d, a, b, c)
        # 进行迭代
        a = a - eta * ga
        b = b - eta * gb
        c = c - eta * gc
    
    y = model(x1, x2, a, b, c)
    plt.switch_backend("TkAgg")
    plt.plot(d, alpha=0.5, color="#ff0000", label="True")
    plt.plot(y, alpha=0.5, color="#0000ff", label="Predict")
    plt.legend()
    plt.show()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3h5eTEwMjg_size_16_color_FFFFFF_t_70_pic_center]

### 2.2 使用批尺寸进行模型训练 ###

**2.1 中为全量数据直接代入 ，每次迭代过程中如果不使用全量数据集。而使用数据集的一部分进行训练。即使用Mini-batch。BatchSize，批尺寸。每次选择多数数据进行训练。**

""" 用前两天的股票升降幅预测第三天的股票升降幅, 采用批尺寸 """
    import tushare as ts
    import matplotlib.pyplot as plt
    import numpy as np
    
    data = ts.get_hist_data("600848")
    np.array(data)
    print(data)
    
    
    # 此为构建的模型，y= ax1 + bx2 + c 就是对于今天的股票的预测。x1, x2分别为前两天的升降值, a, b, c为可训练参数
    # 调整的依据就是：使得损失函数 L = (d - y)^2 最小
    def model(x1, x2, a, b, c):
        return a * x1 + b * x2 + c
    
    
    # 损失函数, 损失函数越小, 则该预测模型越准确(此为目标函数)
    def loss_function(d, y):
        return (d - y) ** 2
    
    
    # 对目标函数的几个可训练参数 a, b, c分别求导
    def gradL(x1, x2, d, a, b, c):
        y = model(x1, x2, a, b, c)
        # 这里运用的是矩阵的分块计算, 计算得出的值是一个列表
        dLdy = 2 * (y - d)
        dLda = dLdy * x1
        dLdb = dLdy * x2
        dLdc = dLdy * 1
        # 求一下均值
        return np.mean(dLda), np.mean(dLdb), np.mean(dLdc)
    
    
    # 数据
    x = data.values[:, 6]
    
    """ 对数据进行分块, 向量 [x1, x2, d]所组成的数据, 进行计算时类似于此种形式 例如数据集 [4月1日, 4月2日, 4月3日, 4月4日, 4月5日] x1 = [4月1日, 4月2日, 4月3日] x2 = [4月2日, 4月3日, 4月4日] x3 = [4月3日, 4月4日, 4月5日] 计算时, 每一列分别参加一组计算, 即为用前两天的数据, 预测第三天的值 """
    x1 = x[:-3]
    x2 = x[1:-2]
    d = x[2:-1]
    
    # 预测值
    a, b, c = 0, 0, 0
    # 学习率
    eta = 0.05
    
    # 采用批尺寸代入已经数据
    batch_size = 30
    for step in range(100):
        idx = np.random.randint(0, len(d), batch_size)
        inx1 = x1[idx]
        inx2 = x2[idx]
        ind = d[idx]
    
        # 求解 a, b, c 的偏导
        ga, gb, gc = gradL(inx1, inx2, ind, a, b, c)
        # 进行迭代
        a = a - eta * ga
        b = b - eta * gb
        c = c - eta * gc
    
    
    y = model(x1, x2, a, b, c)
    plt.switch_backend("TkAgg")
    plt.plot(d, alpha=0.5, color="#ff0000", label="True")
    plt.plot(y, alpha=0.5, color="#0000ff", label="Predict")
    plt.legend()
    plt.show()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3h5eTEwMjg_size_16_color_FFFFFF_t_70_pic_center 1]  
批尺寸说明（BatchSize）：  
　a.如果迭代收敛缓慢，可以增加批尺寸  
　b.如果迭代过程中计算速度较慢，可以减少批尺寸  
　c.通常批尺寸依赖计算机内存，如果内存够大，则批尺寸可以适当大一些

### 2.3 进行其他建模 ###

**例如假设，股票当前的升降幅与前三天的升降幅相关：**

""" 用前三天的股票升降幅预测第四天的股票升降幅, 采用批尺寸 """
    import tushare as ts
    import matplotlib.pyplot as plt
    import numpy as np
    
    plt.switch_backend("TkAgg")
    
    data = ts.get_hist_data("600848")
    
    
    def model(x1, x2, x3, a, b, c, d):
        return a * x1 + b * x2 + c * x3 + d
    
    
    def gradL(x1, x2, x3, dd, a, b, c, d):
        y = model(x1, x2, x3, a, b, c, d)
        dLdy = 2 * (y - dd)
        dLda = dLdy * x1
        dLdb = dLdy * x2
        dLdc = dLdy * x3
        dLdd = dLdy * 1
        return np.mean(dLda), np.mean(dLdb), np.mean(dLdc), np.mean(dLdd)
    
    
    # 数据
    x = data.values[:, 6]
    x1 = x[:-4]  # 可能有几千天
    x2 = x[1:-3]
    x3 = x[2:-2]
    dd = x[3:-1]
    
    a, b, c, d = 0, 0, 0, 0
    eta = 0.05
    batch_size = 100
    for step in range(100):
        idx = np.random.randint(0, len(dd), batch_size)
        inx1 = x1[idx]
        inx2 = x2[idx]
        inx3 = x3[idx]
        ind = dd[idx]
        ga, gb, gc, gd = gradL(x1, x2, x3, dd, a, b, c, d)
        a = a - eta * ga
        b -= eta * gb
        c -= eta * gc
        d -= eta * gd
    
    y = model(x1, x2, x3, a, b, c, d)
    
    plt.plot(dd, color="#ff0000", alpha=0.5, label="True")
    plt.plot(y, color="#0000ff", alpha=0.5, label="Predict")
    plt.legend()
    plt.show()
    print(data)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3h5eTEwMjg_size_16_color_FFFFFF_t_70_pic_center 2]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3h5eTEwMjg_size_16_color_FFFFFF_t_70_pic_center]: /images/20221022/54537a014b504114ba119accae79ff75.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3h5eTEwMjg_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221022/803ccf39737a4c9dbc6b86bcc7f1ecae.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3h5eTEwMjg_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20221022/4b811639787e4bdb9144176d8c18c09b.png