机器学习3- 一元线性回归+Python实现
- 2020 年 3 月 31 日
- 筆記
1. 线性模型
给定 (d) 个属性描述的示例 (boldsymbol{x} = (x_1; x_2; …; x_d)),其中 (x_i) 为 (boldsymbol{x}) 在第 (i) 个属性上的取值,线性模型(linear model)试图学得一个通过属性的线性组合来进行预测的函数,即:
使用向量形式为:
其中 (boldsymbol{w} = (w_1;w_2;…;w_d)),表达了各属性在预测中的重要性。
2. 线性回归
给定数据集 (D = lbrace(boldsymbol{x}_1,{y}_1), (boldsymbol{x}_2,{y}_2), …, (boldsymbol{x}_m,{y}_m)rbrace),其中 (boldsymbol{x}_i = (x_{i1}; x_{i2}; …; x_{id})),(y_i in mathbb{R})。线性回归(linear regression)试图学得一个能尽可能准确地预测真实输出标记的线性模型,即:
2.1 一元线性回归
先只考虑输入属性只有一个的情况,(D = lbrace({x}_1,{y}_1), ({x}_2,{y}_2), …, ({x}_m,{y}_m)rbrace),(x_i in mathbb{R})。对离散属性,若属性值存在序(order)关系,可通过连续化将其转化为连续值。
如”高度“属性的取值“高”、“中”、“低”,可转化为({1.0, 0.5, 0.0})。
若不存在序关系,则假定有 (k) 种可能的属性值,将其转化为 (k) 维向量。
如“瓜类”属性的取值有“冬瓜”、“西瓜”、“南瓜”,可转化为 ((0,0,1),(0,1,0),(1,0,0))。
线性回归试图学得:
为使 (f(x_i)simeq y_i),即:使 (f(x)) 与 (y) 之间的差别最小化。
考虑回归问题的常用性能度量——均方误差(亦称平方损失(square loss)),即让均方误差最小化:
(w^*,b^*) 表示 (w) 和 (b) 的解。
均方误差对应了欧几里得距离,简称欧氏距离(Euclidean distance)。
基于均方误差最小化来进行模型求解的方法称为最小二乘法(least square method)。在线性回归中,就是试图找到一条直线,使得所有样本到直线上的欧氏距离之和最小。
下面需要求解 (w) 和 (b) 使得 (E_{(w,b)} = sumlimits_{i=1}^m(y_i-wx_i-b)^2) 最小化,该求解过程称为线性回归模型的最小二乘参数估计(parameter estimation)。
(E_{(w,b)}) 为关于 (w) 和 (b) 的凸函数,当它关于 (w) 和 (b) 的导数均为 (0) 时,得到 (w) 和 (b) 的最优解。将 (E_{(w,b)}) 分别对 (w) 和 (b) 求导数得:
令式子 (1.6) 和 (1.7) 为 (0) 得到 (w) 和 (b) 的最优解的闭式(closed-form)解:
其中 (overline{x} = frac{1}{m}sumlimits_{i=1}^m x_i) 为 (x) 的均值。
3. 一元线性回归的Python实现
现有如下训练数据,我们希望通过分析披萨的直径与价格的线性关系,来预测任一直径的披萨的价格。
其中 Diameter
为披萨直径,单位为“英寸”;Price
为披萨价格,单位为“美元”。
3.1 使用 stikit-learn
3.1.1 导入必要模块
import matplotlib.pyplot as plt import numpy as np import pandas as pd from sklearn.linear_model import LinearRegression
3.1.2 使用 Pandas 加载数据
pizza = pd.read_csv("pizza.csv", index_col='Id') pizza.head() # 查看数据集的前5行
3.1.3 快速查看数据
我们可以使用 matplotlib 画出数据的散点图,x 轴表示披萨直径,y 轴表示披萨价格。
def runplt(): plt.figure() plt.title("Pizza price plotted against diameter") plt.xlabel('Diameter') plt.ylabel('Price') plt.grid(True) plt.xlim(0, 25) plt.ylim(0, 25) return plt dia = pizza.loc[:,'Diameter'].values price = pizza.loc[:,'Price'].values print(dia) print(price) plt = runplt() plt.plot(dia, price, 'k.') plt.show()
[ 6 8 10 14 18] [ 7. 9. 13. 17.5 18. ]
3.1.4 使用 stlearn 创建模型
model = LinearRegression() # 创建模型 X = dia.reshape((-1,1)) y = price model.fit(X, y) # 拟合 X2 = [[0], [25]] # 取两个预测值 y2 = model.predict(X2) # 进行预测 print(y2) # 查看预测值 plt = runplt() plt.plot(dia, price, 'k.') plt.plot(X2, y2, 'g-') # 画出拟合曲线 plt.show()
[ 1.96551724 26.37284483]
这里 fit()
方法学得了一元线性回归模型 (f(x) = wx+b),这里 (x) 指披萨的直径,(f(x)) 为预测的披萨的价格。
fit()
的第一个参数 X 为 shape(样本个数,属性个数) 的数组或矩阵类型的参数,代表输入空间;
第二个参数 y 为 shape(样本个数,) 的数组类型的参数,代表输出空间。
3.1.5 模型评估
成本函数(cost function)也叫损失函数(lost function),用来定义模型与观测值的误差。
模型预测的价格和训练集数据的差异称为训练误差(training error)也称残差(residuals)。
plt = runplt() plt.plot(dia, price, 'k.') plt.plot(X2, y2, 'g-') # 画出残差 yr = model.predict(X) for index, x in enumerate(X): plt.plot([x, x], [y[index], yr[index]], 'r-') plt.show()
根据最小二乘法,要得到更高的性能,就是让均方误差最小化,而均方误差就是残差平方和的平均值。
print("均方误差为: %.2f" % np.mean((model.predict(X)-y) ** 2))
均方误差为: 1.75
3.2 手动实现
3.2.1 计算 w 和 b
(w) 和 (b) 的最优解的闭式(closed-form)解为:
其中 (overline{x} = frac{1}{m}sumlimits_{i=1}^m x_i) 为 (x) 的均值。
下面使用 Python 计算 (w) 和 (b) 的值:
w = np.sum(price * (dia - np.mean(dia))) / (np.sum(dia**2) - (1/dia.size) * (np.sum(dia))**2) b = (1 / dia.size) * np.sum(price - w * dia) print("w = %fnb = %f" % (w, b)) y_pred = w * dia + b plt = runplt() plt.plot(dia, price, 'k.') # 样本点 plt.plot(dia, y_pred, 'b-') # 手动求出的线性回归模型 plt.plot(X2, y2, 'g-.') # 使用LinearRegression.fit()求出的模型 plt.show()
w = 0.976293 b = 1.965517
可以看到两条直线重合,我们求出的回归模型与使用库求出的回归模型相同。
3.2.2 功能封装
将上述代码封装成类:
class LinearRegression: """ 拟合一元线性回归模型 Parameters ---------- x : shape 为(样本个数,)的 numpy.array 只有一个属性的数据集 y : shape 为(样本个数,)的 numpy.array 标记空间 Returns ------- self : 返回 self 的实例. """ def __init__(self): self.w = None self.b = None def fit(self, x, y): self.w = np.sum(y * (x - np.mean(x))) / (np.sum(x**2) - (1/x.size) * (np.sum(x))**2) self.b = (1 / x.size) * np.sum(y - self.w * x) return self def predict(self, x): """ 使用该线性模型进行预测 Parameters ---------- x : 数值 或 shape 为(样本个数,)的 numpy.array 属性值 Returns ------- C : 返回预测值 """ return self.w * x + self.b
使用:
# 创建并拟合模型 model = LinearRegression() model.fit(dia, price) x2 = np.array([0, 25]) # 取两个预测值 y2 = model.predict(x2) # 进行预测 print(y2) # 查看预测值 runplt() plt.plot(dia, price, 'b.') plt.plot(x2, y2, 'y-') # 画出拟合 plt.show()
[ 1.96551724 26.37284483]
此文原创禁止转载,转载文章请联系博主并注明来源和出处,谢谢!
作者: Raina_RLN https://www.cnblogs.com/raina/