【ML_Algorithm 1】线性回归(Linear Regression)——算法推导及代码实现

：：：：：：：：线性回归：：：：：：：：

       第一式

                  第二式

从式一到式二，需要添加一个  项，其中  为  = 1 的常数量。只是为了容易写成代码而已。

---

真实值=预测值+误差（误差是独立且具有相同的分布，通常认为服从均值为0的方差为  的高斯分布。）

此式意思是要找到一个θ值使得该θ与x的组合完之后，使得组合值接近y真实值的概率最大化。

---

为了使得概率最大，我们用到了似然函数。

我们所希望的到的L(θ)的值是越大越好——代表了所有的y(i)与其真实值都是尽可能相等的。击球什么样的θ可以使得L(θ)的整体值是最大的。

 

• 为了使得求解变得简单一些，我们引入对数似然函数  l(θ) = ln L(θ) 

• 牢记，咱们要求的是似然函数L(θ)的值尽可能大，也就是使对数似然函数l(θ)的最大值，通过化简的到上式，所以咱们要做的就是使右式J(θ)值最小。！

---

• 关于J(θ)的求解：

（上面第二步是对 θ 求偏导操作，矩阵求导不做解释，不过可以从上图看出一二）

---

#以下代码是对以上原理的简单应用。目前我的环境尚未搭建妥当，所以还没有去跑代码，先码在这里，等之后参考

import matplotlib.pyplot as plt
import numpy as np
from sklearn import datasets

class LinearRegression():
    def __init__(self):
        self.w = None
    def fit(self,X,y):
        #训练阶段
        #Insert constant ones for bias weights
        print (X.shape)
        #x0 = 1 
        X=np.insert(X,0,1,axis=1)
        print (X.shape)
        #对X的转置取逆操作。
        X_ = np.linalg.iniv(X.T.dot(X))
        self.w = X_.dot(X.T).dot(y)
    def predict(self,X):
        #测试阶段
        #Insert constant ones for bias weights
        X = np.insert(X,0,1,axis=1)
        y_pred = X.dot(self.w)
        return y_pred

def mean_squared_error(y_true, ypred):
    mse = np.mean(np.power(y_true - y_pred, 2))
    return mse


def main():
    #Load the diabetes dataset
    diabetes = datasets.load_diabetes()
    
    #Use only one feature
    X = diabetes.data[:, np.newaxis, 2]
    print(X.shape)
    
    #Split the data into training/testing sets
    x_train, x_test = X[:-20],X[-20:]
    
    #Split the targets into training/testing sets
    y_train, y_test = diabetes.target[:-20], diabetes.target[-20:]
    
    clf = LinearRegression()
    clf.fit(x_train, y_train)
    y_pred = clf.predict(x_test)
    
    #Print the mean squared error
    print ("Mean Souared Error:"mean_squared_error(y_test, y_pred))
    
    #Plot the results
    plt.scatter(x_test[:,0], y_test, color='black')
    plt.plot(x_test[:,0], y_pred, color='blue',linewidth=3)
    plt.show()

 

参考：

唐_机器学习