机器学习（19）——回归与聚类算法（补充）

目录

1 线性回归

1.1 线性回归的特征与目标的关系分析

1.2 线性回归的损失和优化原理

1.3 优化算法 

1.4 线性回归API

1.5 波士顿房价预测

2 欠拟合与过拟合

2.1 定义

2.2 原因以及解决办法：

2.3 正则化类别

3  线性回归的改进-岭回归

4 分类算法-逻辑回归与二分类

4.1 逻辑回归的原理

4.2 损失以及优化

4.3 案例：癌症分类预测-良／恶性乳腺癌肿瘤预测

5 分类的评估方法

5.1 精确率与召回率

5.2 ROC曲线与AUC指标

5.3 模型保存和加载 

6 无监督学习-K-means算法简要介绍

6.1 K-means算法

6.2 Kmeans性能评估指标

---

1 线性回归

线性回归(Linear regression)是利用回归方程(函数)对一个或多个自变量(特征值)和因变量(目标值)之间关系进行建模的一种分析方式。

• 特点：只有一个自变量的情况称为单变量回归，大于一个自变量情况的叫做多元回归。

那么怎么理解呢？我们来看几个例子：

• 期末成绩 = 0.7×考试成绩+0.3×平时成绩
• 房子价格 = 0.02×中心区域的距离 + 0.04×城市一氧化氮浓度 + (-0.12×自住房平均房价) + 0.254×城镇犯罪率

上面两个例子，我们看到特征值与目标值之间建立的一个关系，这个可以理解为回归方程。

1.1 线性回归的特征与目标的关系分析

线性回归当中的关系有两种，一种是线性关系，另一种是非线性关系。在这里我们只能画一个平面更好去理解，所以都用单个特征举例子。

• 线性关系

注释：如果在单特征与目标值的关系呈直线关系，两个特征与目标值呈现平面的关系 。

• 非线性关系

如果是非线性关系，那么回归方程可以理解为：

1.2 线性回归的损失和优化原理

假设刚才的房子例子，真实的数据之间存在这样的关系 :

真实关系：真实房子价格 = 0.02×中心区域的距离 + 0.04×城市一氧化氮浓度 + (-0.12×自住房平均房价) + 0.254×城镇犯罪率

 那么现在呢，我们随意指定一个关系（猜测）:

随机指定关系：预测房子价格 = 0.25×中心区域的距离 + 0.14×城市一氧化氮浓度 + 0.42×自住房平均房价 + 0.34×城镇犯罪率

请问这样的话，会发生什么？真实结果与我们预测的结果之间是不是存在一定的误差呢？类似这样样子：

那么存在这个误差，我们将这个误差给衡量出来。

损失函数 ：

总损失定义为：

• y_i为第i个训练样本的真实值
• h(x_i)为第i个训练样本特征值组合预测函数
• 又称最小二乘法

如何去减少这个损失，使我们预测的更加准确些？既然存在了这个损失，我们一直说机器学习有自动学习的功能，在线性回归这里更是能够体现。这里可以通过一些优化方法去优化（其实是数学当中的求导功能）回归的总损失！！！ 

拓展：线性回归的损失函数用最小二乘法，等价于当预测值与真实值的误差满足正态分布时的极大似然估计；岭回归的损失函数，是最小二乘法+L2范数，等价于当预测值与真实值的误差满足正态分布，且权重值也满足正态分布（先验分布）时的最大后验估计；LASSO的损失函数，是最小二乘法+L1范数，等价于等价于当预测值与真实值的误差满足正态分布，且且权重值满足拉普拉斯分布（先验分布）时的最大后验估计

1.3 优化算法 

如何去求模型当中的W，使得损失最小？（目的是找到最小损失对应的W值）

线性回归经常使用的两种优化算法 

• 正规方程（学霸型）

理解：X为特征值矩阵，y为目标值矩阵，直接求到最好的结果。

缺点：当特征过多过复杂时，求解速度太慢并且得不到结果。

• 梯度下降(Gradient Descent)（努力型）

理解：α为学习速率，需要手动指定（超参数），α旁边的整体表示方向。

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 ，能够找到较好的结果。

1.4 线性回归API

• sklearn.linear_model.LinearRegression(fit_intercept=True)
  • 通过正规方程优化
  • fit_intercept：是否计算偏置
  • LinearRegression.coef_：回归系数
  • LinearRegression.intercept_：偏置
• sklearn.linear_model.SGDRegressor(loss="squared_loss", fit_intercept=True, learning_rate ='invscaling', eta0=0.01)
  • SGDRegressor类实现了随机梯度下降学习，它支持不同的loss函数和正则化惩罚项来拟合线性回归模型。
  • loss:损失类型
    • loss=”squared_loss”: 普通最小二乘法
  • fit_intercept：是否计算偏置
  • learning_rate : string, optional
    • 学习率填充
    • 'constant': eta = eta0
    • 'optimal': eta = 1.0 / (alpha * (t + t0)) [default]
    • 'invscaling': eta = eta0 / pow(t, power_t)
      • power_t=0.25:存在父类当中
    • 对于一个常数值的学习率来说，可以使用learning_rate=’constant’ ，并使用eta0来指定学习率。
  • SGDRegressor.coef_：回归系数
  • SGDRegressor.intercept_：偏置

1.5 波士顿房价预测

• 数据介绍

分析：

回归当中的数据大小不一致，是否会导致结果影响较大，因此需要做标准化处理。同时我们对目标值也需要做标准化处理。

• 数据分割与标准化处理
• 回归预测
• 线性回归的算法效果评估

回归性能评估：

均方误差(Mean Squared Error，MSE)评价机制：

注：y_i（下标）为预测值， 为真实值。

sklearn.metrics.mean_squared_error(y_true, y_pred)

• 均方误差回归损失
• y_true:真实值
• y_pred:预测值
• return:浮点数结果

流程分析：

1）获取数据集

2）划分数据集

3）特征工程：标准化（无量纲化）

4）预估器流程

fit()--->模型

coef_

intercept_

5)模型评估

代码如下：

from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LinearRegression,SGDRegressor
from sklearn.metrics import mean_squared_error
def linear1():
    """
    正规方程的优化方法对波士顿房价进行预测
    :return:
    """
    # 1）获取数据
    boston = load_boston()

    # 2）划分数据集
    x_train, x_test, y_train, y_test = train_test_split(boston.data, boston.target, random_state=22)

    # 3）标准化
    transfer = StandardScaler()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)  # 训练集fit，测试集不fit，因为实际我们不知道要分类的未知数据，所以标准化的平均值和标准差只能用测试集的

    # 4）预估器
    estimator = LinearRegression()
    estimator.fit(x_train, y_train)
    # 5）得出模型
    print("正规方程权重系数为：\n",estimator.coef_)
    print("正规方程偏置为：\n", estimator.intercept_)
    # 6）模型评估
    y_predict = estimator.predict(x_test)
    print("预测房价：\n",y_predict)
    error = mean_squared_error(y_test,y_predict)
    print("正规方程-均方误差为：\n",error)
    return None


def linear2():
    """
    梯度下降的优化方法对波士顿房价进行预测
    :return:
    """
    # 1）获取数据
    boston = load_boston()

    # 2）划分数据集
    x_train, x_test, y_train, y_test = train_test_split(boston.data, boston.target, random_state=22)

    # 3）标准化
    transfer = StandardScaler()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)  # 训练集fit，测试集不fit，因为实际我们不知道要分类的