线性回归
分类: 目标值离散
回归: 目标值连续
线性回归:寻找一种能预测的趋势
线性关系:-二维:直线关系-三维:平面
线性关系定义
y=kx+by = kx + by=kx+b
参数b,偏置项,为了对于单个特征的情况更加通用
参数k,权重
f(x)=w1x1+w2x2+...+wdxd+bf(x) = w_1x_1 + w_2x_2 +...+ w_dx_d + bf(x)=w1x1+w2x2+...+wdxd+b
线性回归定义:
线性回归通过一个或多个自变量与因变量之间进行建模的回归分析
一元线性回归:变量只有一个
多元线性回归:变量两个或以上
通用公式:
h(w)=w0+w1x1+w2x2+...=wTxh(w) = w_0 + w_1x_1 + w_2x_2 + ... = w^Tx h(w)=w0+w1x1+w2x2+...=wTx
其中w,x为矩阵
w=(w0w1w2)w = \begin{pmatrix} w_0 \\ w_1 \\ w_2 \end{pmatrix}w=⎝⎛w0w1w2⎠⎞, x=(1x1x2)x = \begin{pmatrix} 1 \\ x_1 \\ x_2 \end{pmatrix}x=⎝⎛1x1x2⎠⎞
属性和权重的组合来预测结果
矩阵
数组 矩阵0维11维[1, 2, 3]2维[必须是二维的[1, 2, 3],满足了特定的运算要求[4, 5, 6]]3维[[[1, 2, 3],[4, 5, 6]],[[1, 2, 3],[4, 5, 6]]]
数组的运算:加法,乘法
numpy.ndarray
矩阵乘法:
(m行,l列) * (l行,n列) = (m行,n列)
特征值 权重 目标值[[1, 2, 3, 4]] [[1], [2], [3], [4]] 一个样本一个值(1, 4) (4, 1) (1,1)(100, 4) (4, 1) (100,1)
数组相乘
import numpy as npa = [[1, 2, 3, 4], [5, 6, 7, 8], [1, 4, 3, 5]]b = [2, 2, 2, 2]np.multiply(a, b)Out[5]: array([[ 2, 4, 6, 8],[10, 12, 14, 16],[ 2, 8, 6, 10]])
矩阵相乘
import numpy as npa = [[1, 2, 3, 4], [5, 6, 7, 8], [1, 4, 3, 5]]c = [[2], [2], [2], [2]]np.dot(a, c)Out[9]: array([[20],[52],[26]])
线性回归
求函数中的参数w,使得损失函数最小
迭代的算法
损失函数(误差大小)
f(a)=(hw(x1)−y1)2+(hw(x2)−y2)2+...+(hw(xm)−ym)2f(a)=(h_w(x_1)-y_1)^2 + (h_w(x_2)-y_2)^2 + ... +(h_w(x_m)-y_m)^2f(a)=(hw(x1)−y1)2+(hw(x2)−y2)2+...+(hw(xm)−ym)2
f(a)=∑i=1m(hw(xi)−yi)2f(a) = \sum_{i=1}^{m}(h_w(x_i)-y_i)^2f(a)=i=1∑m(hw(xi)−yi)2
yiy_iyi 为第i个训练样本的真实值
hw(xi)h_w(x_i)hw(xi) 为第i个训练赝本特征值组合预测函数
又称为最小二乘法
尽量去减少损失,算法的自我学习过程
算法策略(损失函数) 优化线性回归误差平方和 正规方程最小二乘法 梯度下降
最小二乘法之正规方程
w=(XTX)−1XTyw = (X^TX)^{-1}X^Tyw=(XTX)−1XTy
XXX 为特征矩阵
yyy 为目标值矩阵
缺点:当特征过于复杂,求解速度太慢
XTX^TXT 转置
X−1X^-1X−1 求逆 -> X∗?=单位矩阵X * ? = 单位矩阵X∗?=单位矩阵
单位矩阵
[[1, 0, 0], [0, 1, 0], [0, 0, 1]]
最小二乘法之梯度下降
方向
d=bcost(w0+w1x1)bw1d = \frac{bcost(w0+w1x1)}{bw1}d=bw1bcost(w0+w1x1)
w1:=−w1−adw1 := -w1 -adw1:=−w1−ad
w0:=−w0−adw0 := -w0 -adw0:=−w0−ad
a是学习速率
沿着这个函数下降的方向找,最后就能找到山谷的最低点,然后更新w值
使用:面对训练数据规模十分庞大的任务
线性回归API
普通最小二乘线性回归
sklearn.linear_model.LinearRegression
coef_ 回归系数
使用SGD最小线性模型
sklearn.linear_model.SGDRegressor
coef_ 回归系数
scikit-learn
优点:封装好,建立模型简单,预测简单
缺点:算法过程,参数都在算法内部优化
v0.18
v0.19 转换器 estimator 要求数据必须是二维数据
reshape(-1, 1)
TensorFlow
封装高低都有,自己实现线性回归
回归性能评估
均方误差(Mean Squared Error)MSE评价机制
MSE=1m∑i=1m(yi−y−)2MSE=\frac{1}{m}\sum_{i=1}^{m}(y^i-y^-)^2MSE=m1i=1∑m(yi−y−)2
yiy^iyi预测值
y−y^-y−真实值
梯度下降和正规方程区别
代码示例
# -*- coding: utf-8 -*-from sklearn.datasets import load_bostonfrom sklearn.linear_model import LinearRegression, SGDRegressorfrom sklearn.preprocessing import StandardScalerfrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import mean_squared_error# 加载数据boston = load_boston()# 训练集,测试集拆分X_train, X_test, y_train, y_test = train_test_split(boston.data, boston.target, test_size=0.25)# 数据标准化处理# 特征值 标准化std_x = StandardScaler()X_train = std_x.fit_transform(X_train)X_test = std_x.transform(X_test)# 目标值 标准化std_y = StandardScaler()y_train = std_y.fit_transform(y_train.reshape(-1, 1))y_test = std_y.transform(y_test.reshape(-1, 1))# 正规方程 线性回归预测lr = LinearRegression()lr.fit(X_train, y_train)print(lr.coef_)y_lr_predict = std_y.inverse_transform(lr.predict(X_test))print(y_lr_predict)# 梯度下降 线性回归预测sgd = SGDRegressor()sgd.fit(X_train, y_train)print(sgd.coef_)y_sgd_predict = std_y.inverse_transform(sgd.predict(X_test))print(y_sgd_predict)# 性能评估 均方误差lr_mse = mean_squared_error(std_y.inverse_transform(y_test), y_lr_predict)sgd_mse = mean_squared_error(std_y.inverse_transform(y_test), y_sgd_predict)print(lr_mse) # 28.97print(sgd_mse) # 31.36