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)(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:

[f(boldsymbol{x}) = w_1x_1 + w_2x_2 + … + w_dx_d +b tag{1.1} ]

使用向量形式为:

[f(boldsymbol{x}) = boldsymbol{w}^Tboldsymbol{x}+b tag{1.2} ]

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:

[f(boldsymbol{x}_i) = boldsymbol{w}^Tboldsymbol{x}_i+b text{,使得} f(boldsymbol{x}_i) simeq y_itag{1.3} ]

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:

[f(x_i) = wx_i+btext{,使得}f(x_i)simeq y_i tag{1.4} ]

为使 (f(x_i)simeq y_i),即:使 (f(x))(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:

[begin{aligned} (w^*,b^*) = underset{(w,b)}{arg min}sum_{i=1}^m(f(x_i)-y_i)^2 \ = underset{(w,b)}{arg min}sum_{i=1}^m(y_i-wx_i-b)^2 end{aligned} tag{1.5} ]

(w^*,b^*) 表示 (w)(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)(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)(b) 的凸函数,当它关于 (w)(b) 的导数均为 (0) 时,得到 (w)(b) 的最优解。将 (E_{(w,b)}) 分别对 (w)(b) 求导数得:

[frac{partial{E_{(w,b)}}}{partial(w)} = 2Big(wsum_{i=1}^m x_i^2 – sum_{i=1}^m (y_i-b)x_iBig) tag{1.6} ]

[frac{partial{E_{(w,b)}}}{partial(b)} = 2Big(mb – sum_{i=1}^m (y_i-wx_i)Big) tag{1.7} ]

令式子 (1.6) 和 (1.7) 为 (0) 得到 (w)(b) 的最优解的闭式(closed-form)解:

[w = frac{sum_limits{i=1}^m y_i(x_i-overline{x})}{sumlimits_{i=1}^m x_i^2 – frac{1}{m}Big(sumlimits_{i=1}^m x_iBig)^2} tag{1.8} ]

[b = frac{1}{m}sum_{i=1}^m (y_i-wx_i) tag{1.9} ]

其中 (overline{x} = frac{1}{m}sumlimits_{i=1}^m x_i)(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)(b) 的最优解的闭式(closed-form)解为:

[w = frac{sum_limits{i=1}^m y_i(x_i-overline{x})}{sumlimits_{i=1}^m x_i^2 – frac{1}{m}Big(sumlimits_{i=1}^m x_iBig)^2} tag{1.8} ]

[b = frac{1}{m}sum_{i=1}^m (y_i-wx_i) tag{1.9} ]

其中 (overline{x} = frac{1}{m}sumlimits_{i=1}^m x_i)(x) 的均值。

下面使用 Python 计算 (w)(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/