线性回归,即将所给的数据,通过对各维度的加权分配,通过使测试集到该线的代价最小来拟合成一条光滑的曲线,从而可以看出数据的一种趋势。
当维度为一维时,比如房子的面积与房价的关系,x即为房子的面积,y即为房价,一般的,x与y的关系总是y随着x的增大而增大,而x到一定数值时,y的上升的加速度会慢慢的变小,即f(x)函数的导数会减小,但理论上不可能小于等于0。
线性回归的步骤
1.数据预处理
读取数据
import pandas as pd
path=r'数据文件位置\data.txt'
data=pd.read_csv(path,header=None,names=['Population','Profit'])#path为数据路径,数据类型可以不为csv,也可以为txt或其他,但返回类型一般为DataFrame,即数据索引数据帧
也可对读取到的数据进行DataFrame操作
#获取Dataframe的数据
data.values#获得的数据类型为array,不包括名字
####
data1=pd.DataFrame(data.values,header=None,columns=['所给各列的新名字'])
#DataFrame的数据类型位置调用为.iloc,如
#data为80colums*70rows,调取前35行35列
x=data.iloc[:35,:35]
#调取除了最后一列
x=data.iloc[:,:-1]
#调取最后一列
x=data.iloc[:,-1]
加载出来的函数可通过matplotlib或直接pandas自带的画图工具进行分析其大致数据分布在进行考虑处理对策
如我加载的区域人口数量与收益的数据可如下操作
data.plot(kind='scatter',x='Population',y='Profit',figsize=(12,8))
2.线性回归
线性回归是模拟一条曲线(最简单形式)的形式,或是更高维度的x组合,或是将x高次幂进行组合的形式,拟合出一条代价最小的曲线
代价:
可以理解各点到线的距离
代价函数
代码实现
def computeCost(X,y,theta):
tem=np.power(((X*theta.T)-y),2)
return np.sum(tem)/(2*len(X))
X,y,theta都为矩阵故获取方式为
#在第一列加入一列的1当作常数项
data.insert(0,'Ones',1)#顺序不能错,第0列,名字为‘Ones’,数据为1
#得到X和y
X=data.iloc[:,:-1].values#除了最后一列的全部数据
y=data.iloc[:,-1].values#最后一列的数据
column=data.shape[1]#data.shape返回行列,0的位置为行,1的位置为列,列为维度
theta=np.ones(column)#初始化x的权重系数,全为1
#以上X,y,theta都为array类型,将其转化为矩阵
X=np.matrix(X)
y=np.matrix(y)
theta=np.matrix(theta)
拟合的函数可以看作X@theta.T
然后即可进行第一次的代价估计
代价为
10.266520491383504
梯度下降函数
def gradientDescent(X, y, theta, alpha, iters):
temp=np.matrix(np.zeros(theta.shape))
Parameters=int(theta.ravel().shape[1])
cost=np.zeros(iters)
for i in range(iters):
error=X*theta.T-y
for j in range(Parameters):
tem=np.multiply(error,X[:,j])
temp[:,j]=theta[:,j]-(alpha)*np.sum(tem)/len(X)
theta=temp
cost[i]=computeCost(X,y,theta)
return temp,cost
iters 迭代次数
alpha 学习速率
梯度函数解释:因为目的是找到一组X的系数(权重),使得其的代价最小,这时x就为标量,theta就为变量,函数对theta求导,alpha即为往代价最低点行走的步长,因为代价最低点的导数为零,越靠近该点的导数最小,每次alpha*导数的步长会使theta慢慢的往最低点靠近,当alpha足够小,iters足够大,理论上theta最终的值就为代价最小的值。
alpha=0.01
iters=1500
g,cost=gradientDescent(X,y,theta,alpha,iters)
迭代后得到的theta在g里
用matplotlib展现出所拟合的曲线
x=np.linspace(data.Population.min(),data.Population.max(),100)
f=g[0,0]+g[0,1]*x
fig,ax=plt.subplots(figsize=(12,8))
ax.plot(x,f,'r',label='Prediction')
ax.scatter(data.Population,data.Profit,s=50,label='Training Date')
ax.set_ylabel('Profit')
ax.set_xlabel('Population')
ax.legend(loc=2)
ax.set_title('Predicted Profit vs. Population Size')
最小代价为4.+
正规方程
既然是找代价最低点,那就可以直接导数为0的方式直接找到不用梯度下降迭代
代码实现
def normalEqn(X,Y):
theta=np.linalg.inv(X.T@X)@X.T@y
return theta