Python线性回归代价函数多次调用返回值不一致问题求解

嘿，我来帮你拆解下这个问题！首先你怀疑的“未初始化CostFunction和GradientDescent”其实不是核心矛盾——看你的代码，每次调用函数时CostFun和gradientDescent都是基于当前输入参数重新计算的局部变量，不存在上一次调用的残留值影响。

真正的问题出在**thetaZero = theta这行的浅拷贝逻辑**上！如果theta是numpy矩阵（从你的返回结果格式来看确实是），直接赋值会让thetaZero和theta指向同一个内存对象。当你执行thetaZero[0] = 0时，你其实悄悄修改了传入函数的原始theta变量！这就导致第一次调用后，外部的theta已经被篡改，第二次调用时用的是修改后的theta，自然得到不同的结果。

那怎么修复呢？我们需要对theta做深拷贝，同时可以显式初始化代价和梯度变量（虽然不是必须，但能让代码逻辑更清晰，也满足你对“初始化”的顾虑）。

下面是修正后的函数代码：

import numpy as np

def linearRegCostFunction(X,y,theta,lamda):
    [m,n] = X.shape
    # 显式初始化代价和梯度变量，增强代码可读性
    CostFun = 0
    gradientDescent = np.zeros_like(theta.T)  # 匹配梯度的输出形状
    
    # 计算假设函数
    h_theta = X @ theta  # 用@运算符表示矩阵乘法，比*更清晰准确
    # 计算代价函数
    error = h_theta - y
    J = (1/(2*m)) * error.T @ error
    JReg = (lamda/(2*m)) * theta[1:,:].T @ theta[1:,:]
    CostFun = J + JReg
    # 计算梯度：深拷贝theta，避免修改原参数
    thetaZero = theta.copy()  # numpy矩阵的copy()方法实现深拷贝
    thetaZero[0] = 0
    G = (1/m) * error.T @ X
    JGrad = (lamda/m) * thetaZero.T
    gradientDescent = G + JGrad
    
    return (CostFun, gradientDescent)

关键修改点说明： #

• 深拷贝thetaZero：用theta.copy()替代直接赋值，确保修改thetaZero的操作不会影响外部传入的原始theta，保证每次调用函数时使用的都是初始输入的参数。
• 显式初始化变量：虽然Python允许局部变量先计算再赋值，但显式初始化CostFun和gradientDescent能让代码逻辑更直观，也消除了你对“未初始化”的顾虑。
• 使用@运算符：替代*执行矩阵乘法，numpy中*是元素级乘法，@才是标准的矩阵乘法操作，让代码更准确易读。

现在你再多次调用这个函数，只要传入的biasX、y、theta、lamda参数不变，得到的代价函数和梯度结果就会完全一致了。

内容的提问来源于stack exchange，提问作者Ruzannah