如何用numpy简洁地映射平面

我写了一些代码来绘制一个给定数据集上线性函数的平均平方误差,以可视化在最佳回归线的梯度下降训练过程中的进度。

相关位如下:

def compute_error(f, X, Y):
    e = lambda x, y : (y - f(x))**2
    return sum(e(x, y) for (x, y) in zip(X, Y))/len(X)

mn, bn, density = abs(target_slope)*1.5, abs(target_intercept)*1.5, 20

M, B = map(list, zip(*[(m, b) for m in np.linspace(-mn, +mn, density)
             for b in  np.linspace(-bn, +bn, density)]))
E = [compute_error(lambda x : m*x+b, X, Y) for m, b in zip(M,B)]

这很管用,但很凌乱。我想可能有一个非常简洁的方法来完成同样的事情。到目前为止我得到了这个:

M, B = map(np.ndarray.flatten, np.mgrid[-mn:+mn:1/density, -bn:+bn:1/density])

我仍然不知道如何改进 E 因为某些原因,现在它比混乱的版本慢得多。

那么,有什么好的方法可以像 M 十 B 和努比在一起?

如果你想运行上面的代码,你可以构建 X 和 Y 就像这样:

import numpy as np
from numpy.random import normal

target_slope = 3
target_intercept = 15

def generate_random_data(slope=1, minx=0, maxx=100, n=200, intercept=0):
    f = lambda x : normal(slope*x, maxx/5)+intercept
    X = np.linspace(minx, maxx, n)
    Y = [f(x) for x in X]
    return X, Y

X, Y = generate_random_data(slope=target_slope, intercept=target_intercept)