前两课的计算公式 x * weight 有个硬伤:输入 0 时输出必定是 0。一旦样例不再经过原点——例如 [(1, 5), (2, 8), (3, 11)](x 每加 1,结果涨 3,但整体还多出 2),单靠一个乘法参数就无法凑出正确答案。

这一课只加一个新东西:给模型增加第二个参数 bias(偏置),让程序学会同时挑选两个参数。

1. weight 和 bias 各自管什么?

把预测公式改成:

预测结果 = 输入 * weight + bias
参数管什么本例合适值几何直觉
weight输入乘多少3控制直线倾斜多陡(x 每多 1,输出涨多少)
bias乘完再加多少2控制整体上下平移(x = 0 时从几开始)

代入三组样例立刻全对:1×3+2=5、2×3+2=8、3×3+2=11。注意 bias 对所有输入都加同一个固定值,但它具体取几,依然由程序通过训练自己找出来。


2. 运行代码:lesson03.py

新建 lesson03.py(或直接下载 lesson03.py),沿用第 1 课的枚举思路,把 weight 和 bias 各自试 0~4(共 5 × 5 = 25 组搭配):

samples = [(1, 5), (2, 8), (3, 11)]
# 模型现在有两个参数
def predict(x, weight, bias):
return x * weight + bias
# 检查这组参数在全部样例上的总误差
def calculate_error(weight, bias):
total_error = 0
for x, expected in samples:
predicted = predict(x, weight, bias)
total_error += abs(predicted - expected)
return total_error
best_weight = None
best_bias = None
best_error = None
# range(5) 依次产生 0、1、2、3、4
for weight in range(5):
for bias in range(5):
error = calculate_error(weight, bias)
# 保留误差最小的一整组参数
if best_error is None or error < best_error:
best_weight = weight
best_bias = bias
best_error = error
print("weight =", best_weight)
print("bias =", best_bias)
print("总误差 =", best_error)
print("输入 4,预测结果 =", predict(4, best_weight, best_bias))

运行输出:

weight = 3
bias = 2
总误差 = 0
输入 4,预测结果 = 14

重点看懂:两个参数必须“成对”评价与更新

  • range(5) 生成 0, 1, 2, 3, 4,双层循环一共扫描 25 组搭配。
  • 不能单独挑 best_weight 再单独挑 best_bias,比如 (2, 2) 和 (3, 0) 的总误差都是 6,只有 (3, 2) 这一对搭配才能把总误差降到 0。所以 if 成立时必须把 best_weight、best_bias、best_error 作为一整组一起覆盖。
  • return x * weight + bias 是人设计的模型结构;找到 3 和 2 是程序完成的参数训练——这两件事完全分开。

3. 图解双参数搜索:控制流与 5×5 误差矩阵

flowchart TD
S["初始化 best_weight = best_bias = best_error = None"] --> W["外层循环:weight ∈ 0..4"]
W --> B["内层循环:bias ∈ 0..4"]
B --> E["算这一对的总误差:\nerror = calculate_error(weight, bias)"]
E --> C{"best_error is None\n或 error < best_error?"}
C -->|"是"| U["整组一起更新:\nbest_weight = weight\nbest_bias = bias\nbest_error = error"]
C -->|"否"| K["保持原最佳组合"]
U --> B
K --> B
B -->|"5 个 bias 试完"| W
W -->|"25 组全试完"| P["预测:predict(4, 3, 2) → 14"]

点击 “▶ 播放演示” 可以观看 25 组组合扫描时直线怎样一边转角度、一边上下平移;也可以直接点击下方 5×5 矩阵里的任意格子对比不同 (weight, bias) 的拟合效果。

交互演示需要 JavaScript。默认样例 [(1, 5), (2, 8), (3, 11)] 遍历 weight ∈ 0..4 与 bias ∈ 0..4 共 25 组组合,在 (3, 2) 处总误差降为 0,并用 predict(4, 3, 2) 预测出 14。


4. 动手练习

只把 lesson03.py 第一行样例改成:

samples = [(1, 6), (2, 8), (3, 10)]

保持其余代码不动运行,应该输出:weight = 2、bias = 4、总误差 = 0、输入 4,预测结果 = 12(也可在上方交互演示切换到 “练习:2x + 4” 直接核对)。

不过前三课我们都只验证模型能不能答对训练样例本身。如果遇到没参加调参的新输入,模型还能答对吗?下一课进入第 4 课:用新数据检查模型,我们拆出独立的测试集来检验。