如何修复二元线性回归代码中的Invalid index to scalar variable错误？

咱先拆解一下你代码里的几个关键问题，正是这些小疏漏导致了这个错误，一步步来修正：

错误根源分析 #

你遇到的IndexError是因为在cost函数里，传入的x变成了单个数值（标量），然后你尝试用x[0]去索引它——标量根本没有索引，自然就报错了。追根溯源是gradientDescent函数里错误地把单个样本传给了cost和diffGradient，再加上其他几个函数的小错误，连锁导致了这个问题。

逐个修正问题 #

1. 修正gradientDescent函数的样本传递错误 #

在你的gradientDescent循环里，d = x[i]这一行完全没必要，而且会把单个样本传给cost和diffGradient——这两个函数都是为整个数据集设计的，应该直接传入完整的x，而不是单个样本。

同时，循环里的theta更新要基于整个数据集计算的梯度，而不是单个样本。

2. 修正diffGradient函数的逻辑错误 #

• 这个函数的目的是计算梯度，最后应该返回计算好的grad，而不是return 0；
• 循环中要针对每个样本计算预测值，所以hx = hypothesis(theta, x[i])，而不是x；
• 梯度计算时，要取当前样本的特征，也就是x[i][0]和x[i][1]，而不是x[0]和x[1]。

3. 梯度更新时添加样本数归一化（重要优化） #

标准的梯度下降计算中，梯度需要除以样本数量m，避免因为样本数多少导致梯度幅度过大，影响收敛速度和稳定性。

修正后的完整代码 #

import matplotlib.pyplot as plt
import numpy as np

x = np.array([[1,1],[1,2],[2,3],[3,4],[4,5],[5,6]])
y = np.array([2,3,5,7,9,11])

# 假设函数
def hypothesis(theta, x):
    return theta[0] + theta[1]*x[0] + theta[2]*x[1]

# 代价函数
def cost(theta, x, y):
    m = x.shape[0]
    error = 0
    for i in range(m):
        d = x[i]
        hx = hypothesis(theta, d)
        error += (hx - y[i])**2
    return error

# 梯度计算函数
def diffGradient(theta, x, y):
    grad = np.zeros((3,))
    m = x.shape[0]
    for i in range(m):
        hx = hypothesis(theta, x[i])  # 针对单个样本计算预测值
        grad[0] += (hx - y[i])
        grad[1] += (hx - y[i]) * x[i][0]  # 取当前样本的第一个特征
        grad[2] += (hx - y[i]) * x[i][1]  # 取当前样本的第二个特征
    return grad  # 返回计算好的梯度

# 梯度下降函数
def gradientDescent(x, y, learning_rate = 0.001):
    theta = [-2.0,0.0,1.0]
    iter_num = 1000  # 增加迭代次数，让收敛更充分
    error_list = []
    theta_list = []
    m = x.shape[0]
    for i in range(iter_num):
        grad = diffGradient(theta, x, y)  # 传入完整数据集计算梯度
        e = cost(theta, x, y)  # 传入完整数据集计算代价
        error_list.append(e)
        theta_list.append((theta[0],theta[1],theta[2]))
        # 同步更新theta，同时除以样本数m
        theta[0] -= learning_rate * grad[0] / m
        theta[1] -= learning_rate * grad[1] / m
        theta[2] -= learning_rate * grad[2] / m
    return theta, theta_list, error_list

final_theta, theta_list, error_list = gradientDescent(x,y)
print("最终theta值：", final_theta)

运行结果说明 #

修正后的代码运行后，你会发现错误消失了，最终的theta会趋近于理想值[0, 1, 1]（因为你的y正好是两个输入特征的和），同时error_list会呈现逐渐下降的趋势，说明梯度下降在正常收敛。

内容的提问来源于stack exchange，提问作者iwrestledthebeartwice