=====================================================================
《机器学习实战》系列博客是博主阅读《机器学习实战》这本书的笔记也包含一些其他python实现的机器学习算法
算法实现均采用python
github 源码同步:https://github.com/Thinkgamer/Machine-Learning-With-Python
=====================================================================
1:用线性回归找到最佳拟合曲线
回归的目的是预测数值型的目标值。最直接的办法是依据输人写出一个目标值的计算公式。
假如你想要预测姐姐男友汽车的功率大小,可能会这么计算:
这就是所谓的回归方程,其中的0.0015和-0.99称作为回归系数,求这些回归系数的过程就是回归
回归的一般方法:
(1)收集数据:采用任意方法收集数据
(2)准备数据:回归需要数值型数据,标称型数据将被转化成二值型数据
(3)分析数据:绘出数据的可视化二维图将有助于对数据做出理解和分析,在采用缩减法求得新回归系数之后,可以将新拟合线在图上作为对比
(4)训练算法:求得回归系数
(5)测试算法:使用R2或者预测值和数据的拟合度,来分析模型的效果
(6)使用算法:使用回归,可以在给定输入的时候预测出一个数值,这是对分类方法的提升,因为这样可以预测连续性数据而不仅仅是离散的类别标签
假定输入数据存放在矩阵X中,而回归系数存放在向量w中,那么对于给定的数据X预测结果将会通过
给出,加入在给定数据X和Y的情况下怎么求得W?
误差最小化:
同过找到最小误差求W(误差是真实Y和预测Y之间的差值,使用该误差的简单累加将使得正误差和负误差相互抵消,所有我们采用平方误差)
我们可以通过调用Numpy库的矩阵方法求得w,即所谓最小二乘法(OLS)
代码实现
#-*-coding:utf-8-*-
'''
Created on 2016年5月14日
@author: Gamer Think
'''
from numpy import *
#====================用线性回归找到最佳拟合曲线===========
#加载数据集
def loadDataSet(filename):
numFeat = len(open(filename).readline().split("\t")) -1
dataMat = []; labelMat = []
fr = open(filename)
for line in fr.readlines():
lineArr = []
curLine = line.strip().split("\t")
for i in range(numFeat):
lineArr.append(float(curLine[i]))
dataMat.append(lineArr)
labelMat.append(float(curLine[-1]))
return dataMat,labelMat
#计算最佳拟合曲线
def standRegress(xArr,yArr):
xMat = mat(xArr); yMat = mat(yArr).T #.T代表转置矩阵
xTx = xMat.T * xMat
if linalg.det(xTx) ==0.0: #linalg.det(xTx) 计算行列式的值
print "This matrix is singular , cannot do inverse"
return
ws = xTx.I * (xMat.T * yMat)
return ws
#测试上边的函数
xArr,yArr = loadDataSet("ex0.txt")
ws = standRegress(xArr, yArr)
print "ws(相关系数):",ws #ws 存放的就是回归系数
#画图展示
def show():
import matplotlib.pyplot as plt
xMat = mat(xArr); yMat = mat(yArr)
yHat = xMat*ws
fig = plt.figure() #创建绘图对象
ax = fig.add_subplot(111) #111表示将画布划分为1行2列选择使用从上到下第一块
#scatter绘制散点图
ax.scatter(xMat[:,1].flatten().A[0],yMat.T[:,0].flatten().A[0])
#复制,排序
xCopy =xMat.copy()
xCopy.sort(0)
yHat = xCopy * ws
#plot画线
ax.plot(xCopy[:,1],yHat)
plt.show()
show()
#利用numpy库提供的corrcoef来计算预测值和真实值得相关性
yHat = mat(xArr) * ws #yHat = xMat * ws
print "相关性:",corrcoef(yHat.T,mat(yArr))
#====================用线性回归找到最佳拟合曲线===========
效果展示:
(相关性中对角线1,1表示yHat与自己的匹配是完全的,与yMat的匹配是0.98)
2:局部加权线性回归
加权的目的:降低预测的均方误差,减小欠拟合现象
加权方法:局部加权线性回归(Locally Weighted Liner Regression,LWLR)在该算法中,我们给待预测点附近的每个点赋予一定的权重,然后利用上一节的方法计算最小均方差来进行普通的回归
此时回归系数:
其中W是一个矩阵,用来给每个数据点赋予权重
LWLR使用核来对附近的点赋予更高的权重,最常用的核方法是高斯核,其对应的权重如下:
这样就构建了一个只含对角线元素的权重矩阵w,并且点x与x(i)越近,w(i,i)将会越大,上述公式包含一个需要用户指定的参数k,他决定了对附近的点赋予多大的权重,这也是使用LWLR时唯一需要考虑的参数,下图展示了参数k与权重的关系
在regression.py文件中加入以下代码
#==================局部加权线性回归================
def lwlr(testPoint,xArr,yArr,k=1.0):
xMat = mat(xArr); yMat = mat(yArr).T
m = shape(xMat)[0]
weights = mat(eye((m))) #产生对角线矩阵
for j in range(m):
diffMat = testPoint - xMat[j,:]
#更新权重值,以指数级递减
weights[j,j] = exp(diffMat * diffMat.T /(-2.0*k**2))
xTx = xMat.T * (weights * xMat)
if linalg.det(xTx) == 0.0:
print "this matrix is singular,cannot do inverse"
return
ws = xTx.I * (xMat.T * (weights * yMat))
return testPoint * ws
def lwlrTest(testArr,xArr,yArr,k=1.0):
m = shape(testArr)[0]
yHat = zeros(m)
for i in range(m):
yHat[i] =lwlr(testArr[i],xArr,yArr,k)
return yHat
xArr,yArr = loadDataSet('ex0.txt')
print "k=1.0:",lwlr(xArr[0],xArr,yArr,1.0)
print "k=0.001:",lwlr(xArr[0],xArr,yArr,0.001)
print "k=0.003:",lwlr(xArr[0],xArr,yArr,0.003)
#画图
def showlwlr():
yHat = lwlrTest(xArr, xArr, yArr, 0.003)
xMat = mat(xArr)
srtInd = xMat[:,1].argsort(0)
xSort = xMat[srtInd][:,0,:]
import matplotlib.pyplot as plt
fig = plt.figure() #创建绘图对象
ax = fig.add_subplot(111) #111表示将画布划分为1行2列选择使用从上到下第一块
ax.plot(xSort[:,1],yHat[srtInd])
#scatter绘制散点图
ax.scatter(xMat[:,1].flatten().A[0],mat(yArr).T[:,0].flatten().A[0],s=2,c='red')
plt.show()
showlwlr()
运行结果和不同k值得图像比较
k=0.003时的输出图为:
k=0.01时对应的输出图:
k=1.0时的输出图:
从上图可以看出k=0.01时可以得到很好的效果
3:缩减系数来“理解”数据
如果系数的特征比样本点还多,在计算(X^t X)^-1 的时候会出错,为了解决这个问题,统计学家引入了岭回归的概念,还有lasso法,该方法效果很好,但是计算复杂,还有另外一种缩减方法称为岭向前逐步回归,可以得到与lasso差不多的效果,且更容易实现。
(1):岭回归
岭回归就是在矩阵X^t X 上加一个
从而使得矩阵非奇异,进而能对
求逆,其中矩阵I是一个m*m的单位矩阵,对角线上元素全为1,其他元素全为0,而
是用户定义的数值,后面会做介绍,此时回归系数的计算公式将变为:
缩减方法可以去掉不重要的参数,因此能更好的理解数据,此外,与简单的线性回归相比,缩减法能取得更好的预测效果,在这里依旧采用预测误差最小化得到
:数据获取之后先抽取一部分用于测试,剩余的作为训练集用于训练数据W。
在regression.py中加入以下代码:
#=========================岭回归==================
#用于计算回归系数
def ridgeRegres(xMat,yMat,lam=0.2):
xTx = xMat.T * xMat
denom = xTx + eye(shape(xMat)[1]) * lam
if linalg.det(denom)==0.0:
print "This matrix is singular, cannot do inverse"
return
ws = denom.I * (xMat.T * yMat)
return ws
#用于在一组lambda上做测试
def ridgeTest(xArr,yArr):
xMat = mat(xArr); yMat = mat(yArr).T
yMean = mean(yMat,0)
#数据标准化
yMat = yMat - yMean
xMeans = mean(xMat,0)
xVar = var(xMat,0)
xMat = (xMat - xMeans)/xVar
numTestPts = 30
wMat = zeros((numTestPts, shape(xMat)[1]))
for i in range(numTestPts):
ws = ridgeRegres(xMat, yMat, exp(i-10))
wMat[i,:]=ws.T
return wMat
abX,abY = loadDataSet('abalone.txt')
ridgeWeights = ridgeTest(abX,abY)
# print ridgeWeights
def showRidge():
import matplotlib.pyplot as plt
fig = plt.figure()
ax = fig.add_subplot(111)
ax.plot(ridgeWeights)
plt.show()
showRidge()
#===================岭回归=============
运行结果:
说明:lambda非常小时,系数与普通回归一样,而lambda非常大时,所有回归系数缩减为0,可以在中间某处找到使得预测结果最好的值
(2):lasso
不难证明,在增加如下约束时,普通的最小二乘法回归会得到与岭回归的一样的公式:
上式限定了所有的回归系数的平方和不能大于lambda,使用普通的最小二乘法回归在当两个或更多的特征相关时,可能会得到一个很大的正系数和一个很大的负系数。正是因为上述限制条件的存在,使用岭回归可以避免这个问题
与岭回归类似,另外一个缩减方法lasso也对回归系数做了限定,对应的约束条件是如下:
唯一一点不同的是这个约束条件使用绝对值取代了平方和,虽然约束条件只是稍作变化,结果却大相径庭,在lambda足够小的时候,一些系数会因此被迫缩减到0,而这个特性可以帮助我们更好的理解数据,这两个约束条件虽然相差无几,,但细微的变化却极大的增加了计算的复杂度,下面介绍一种更为简单的方法来得到计算结果,该方法叫做向前逐步回归
(3):向前逐步回归
向前逐步回归算法可以得到和lasso差不多的效果,但是更加简单,它属于一种贪心算法,即每一步都尽可能的减小误差,一开始,所有的权重都设为1,然后每一步所做的决策是对某个权重增加或者减小一个很小的值
该算法的伪代码如下:
数据标准化,使其分布满足0均值和单位方差
在每轮迭代过程中:
设置当前最小误差lowestError为正无穷
对每个特征:
增大或减小:
改变一个系数得到一个新的W
计算新W下的误差
如果误差Error小于当前最小误差lowerError:设置Wbest等于当前的W
将W设置为新的Wbest
代码实现如下
#===================向前逐步回归============
#计算平方误差
def rssError(yArr,yHatArr): #yArr and yHatArr both need to be arrays
return ((yArr-yHatArr)**2).sum()
#数据标准化处理
def regularize(xMat):#regularize by columns
inMat = xMat.copy()
inMeans = mean(inMat,0) #calc mean then subtract it off
inVar = var(inMat,0) #calc variance of Xi then divide by it
inMat = (inMat - inMeans)/inVar
return inMat
def stageWise(xArr,yArr,eps=0.01,numIt=100):
xMat = mat(xArr); yMat=mat(yArr).T
yMean = mean(yMat,0)
yMat = yMat - yMean #can also regularize ys but will get smaller coef
xMat = regularize(xMat)
m,n=shape(xMat)
returnMat = zeros((numIt,n)) #testing code remove
ws = zeros((n,1)); wsTest = ws.copy(); wsMax = ws.copy()
for i in range(numIt):#could change this to while loop
#print ws.T
lowestError = inf;
for j in range(n):
for sign in [-1,1]:
wsTest = ws.copy()
wsTest[j] += eps*sign
yTest = xMat*wsTest
rssE = rssError(yMat.A,yTest.A)
if rssE < lowestError:
lowestError = rssE
wsMax = wsTest
ws = wsMax.copy()
returnMat[i,:]=ws.T
return returnMat
xArr,yArr = loadDataSet('abalone.txt')
print stageWise(xArr, yArr, 0.01, 200)
运行结果:
上述结果中值得注意的是wl和w6都是0 ,这表明它们不对目标值造成任何影响,也就是说这
些特征很可能是不需要的。另外,在参数eps设置为0.01的情况下,一段时间后系数就已经饱和
并在特定值之间来回震荡,这是因为步长太大的缘故。这里会看到,第一个权重在0.04和0.05之
间来回震荡。
设置更小的步长:
print stageWise(xArr, yArr, 0.001, 200)
接下来把这些结果与最小二乘法进行比较,后者的结果可以通过如下代码获得
xMat = mat(xArr)
yMat = mat(yArr).T
xMat = regularize(xMat)
yM = mean(yMat,0)
yMat = yMat - yM
weights = standRegress(xMat, yMat.T)
print weights.T
可以看出在迭代5000次以后,逐步线性回归算法与常规的最小二乘法类似,使用0.005的epsilon值并经过1000次迭代后的结果参见
逐步线性回归算法的实际好处并不在于能绘出图8-7这样漂亮的图’ 主要的优点在于它可以帮助人们理解现有的模型并做出改进。当构建了一个模型后,可以运行该算法找出重要的特征,这样就有可能及时停止对那些不重要特征的收集。最后,如果用于测试,该算法每100次迭代后就可以构建出一个 模型,可以使用类似于10折交叉验证的方法比较这些模型,最终选择使误差最小的模型。当应用缩减方法(如逐步线性回归或岭回归)时,模型也就增加了偏差(础8),与此同时却减小了模型的方差。