GPU内核性能数据集

通过实现梯度体面算法进行线性和逻辑回归

在数据集上实施线性回归模型以预测GPU运行时间。使用四次运行的平均值作为目标变量。不允许您使用回归模型的任何可用实现。您应该通过批量更新实现梯度下降算法（一次使用所有训练示例）。使用通过2 *样本数归一化的误差平方和[J（β0，β1）=（1 / 2m）[Σ（yᶺ（i）– y（i））2]）作为成本和误差度量，其中m是样本数。您应该使用所有14个功能。

还要实现第4部分中所述的逻辑回归模型。同样，您不允许使用任何可用的逻辑回归模型实现。您应该通过批量更新实现梯度下降算法（一次使用所有训练示例）。您应该使用该类中的逻辑回归成本/误差函数。此外，您还可以使用准确性/ ROC /等。

任务：
*第1部分：*下载数据集，并使用良好的训练/测试拆分百分比将其随机分为训练和测试集。
第2部分：设计线性回归模型以对平均GPU运行时间建模。在报告中包括您的回归模型方程式。
第3部分：使用批处理更新规则实现梯度下降算法。使用与该类相同的成本函数（平方误差之和）。报告您的初始参数值。
第4部分：将此问题转换为二进制分类问题。目标变量应具有两个类别。进行逻辑回归以对该数据集进行分类。报告训练和测试集的准确性/错误度量。

实验：
* 1。*使用线性和逻辑回归的各种参数进行实验（例如，学习率and），并根据变化的参数对训练和测试集的误差/准确性如何变化报告您的发现。绘制结果。报告参数的最佳值。
2.对线性和逻辑回归的收敛阈值进行各种试验。绘制训练和测试集的误差结果作为阈值的函数，并描述改变阈值如何影响误差。选择最佳阈值，并绘制与梯度下降迭代次数有关的函数图和测试误差（在一个图中）。
3。随机选择八个功能，仅在这十个功能上重新训练模型。在使用原始特征集（14）和八个随机特征的情况下，比较训练和测试错误结果。报告十个随机选择的功能。
4.现在，选择八个您认为最适合预测输出的特征，并使用这十个特征重新训练模型。与使用原始功能集的情况和随机功能的情况进行比较。您选择的功能是否比随机选择功能提供更好的结果？为什么？您选择的功能是否比使用所有功能提供更好的结果？为什么？

资源：

Enrique G.Paredes（egparedes'@'ifi.uzh.ch）。苏黎世大学信息学系可视化和多媒体实验室。苏黎世，8050年。瑞士
Rafael Ballester-Ripoll（rballester'@'ifi.uzh.ch）。苏黎世大学信息学系可视化和多媒体实验室。苏黎世，8050。瑞士

引文：

如果您使用此数据集，请引用以下一项或两项：

• 拉斐尔·巴莱斯特·里波尔（Rafael Ballester-Ripoll），恩里克·帕雷德斯（Enrique G.
  Sobol Tensor火车用于全球敏感性分析。
  在arXiv计算机科学/数值分析电子版中，2017年

• 塞德里克·纳格特伦（Cedric Nugteren）和瓦勒留（Valeriu Codreanu）
  CLTune：用于OpenCL内核的通用自动调谐器。
  在：MCSoC：第9届嵌入式多核/多核片上系统国际研讨会。IEEE，2015年