Esercizi Avanzati (opzionali)

def ulr_gd_step_2(x, y, alpha, beta):
    if ulr_gd_step_2.exit is False:
        # calcolo il vettore degli errori nei dati
        error = alpha * x + beta - y
        # calcolo le derivate parziali del MSE
        d_alpha = 2 * (error * x).mean()
        d_beta = 2 * error.mean()
        # calcolo alpha e beta aggiornati
        new_alpha = alpha - ulr_gd_step_2.step_size * d_alpha
        new_beta = beta - ulr_gd_step_2.step_size * d_beta
        #calcolo il nuovo passo per l'iterazione successiva
        ulr_gd_step_2.step_size /= 1.5
        #controllo che sia almeno la seconda iterazione
        if ulr_gd_step_2.last_error is not None:
            #Calcolo il nuovo errore
            new_error = ulr_mse(x, y, new_alpha, new_beta)
            if (ulr_gd_step_2.last_error - new_error >= 0) and (ulr_gd_step_2.last_error - new_error) <= 0.001:
                ulr_gd_step_2.exit = True
                return new_alpha, new_beta
        ulr_gd_step_2.last_error = ulr_mse(x, y, new_alpha, new_beta)
        return new_alpha, new_beta
ulr_gd_step_2.last_error = None
ulr_gd_step_2.step_size = 0.001
ulr_gd_step_2.exit = False

alpha = 0
beta = 0

for i in range(20):
    alpha, beta = ulr_gd_step_2(temp, demand, alpha, beta)
    if(ulr_gd_step_2.exit == True):
        break
ulr_mse(temp, demand, alpha, beta)

plot_model_on_data(temp, demand, make_model(alpha, beta))