机器学习Day4——线性回归

WXLJZ_LHD

已于 2023-10-13 09:56:58 修改

阅读量101

点赞数

分类专栏：机器学习和深度学习笔记文章标签：机器学习算法回归聚类 scikit-learn python

于 2023-08-01 11:07:21 首次发布

本文链接：https://blog.csdn.net/m0_49893790/article/details/131963304

版权

机器学习和深度学习笔记专栏收录该内容

12 篇文章 0 订阅

订阅专栏

本栏目为本人自学B站各位好心的博主所录视频过程中记录下来的笔记，出处基本来自于B站视频博主以及csdn中各位大佬的解释，我只起到了转载的作用。因来源过于复杂，因此无法标注来源。

1.线性回归

1.1 线性回归的原理

1.1.1 线性回归应用场景

回归问题：目标值为连续型数据的问题

房价预测
销售额度预测
金融:贷款额度预测、利用线性回归以及系数分析因子

1.1.2 什么是线性回归

定义与公式
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，多于一个自变量情况的叫做多元回归

通用公式：
在这里插入图片描述

那么如何理解呢?观察以下几个例子：

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了一个关系，这个关系可以理解为线性模型。

线性回归的特征与目标的关系分析
线性回归当中线性模型有两种，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，所以都用单个特征或两个特征举例子。

线性关系

注释:单特征与目标值的关系呈直线关系，或者两个特征与目标值呈现平面的关系

非线性关系

注释：为什么会这样的关系呢?原因是什么?
如果是非线性关系，那么回归方程可以理解为：w1x1 + w2x2 ^ 2 + w3x3 ^ 2

线性关系 ≠ 线性模型，线性关系一定是线性模型，但线性模型不一定是线性关系

1.2 线性回归的损失和优化原理

线性回归的目标是要求出模型的参数，正确的模型参数能够使得预测更为的准确。

假设：

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
随意假定：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

显然，真实值与预测值存在着误差，要做的就是将误差缩小，令其不断地向真实值靠近。那么如何衡量这个误差呢？

1.2.1 损失函数

总损失定义为：

在这里插入图片描述

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

1.2.2 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

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（Grandient Descent）

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

1.3 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=o.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.o /(alpha * (t + to))[default]
  - ‘invscaling’: eta = eta0 / pow(t, power_t)
    - power_t=o.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etaO来指定学习率。
- SGDRegressor.coef_:回归系数
- SGDRegressor.intercept_:偏置

sklearn提供给两种实现的API，可以根据选择使用

1.4 回归性能评估

均方误差(Mean Squared Error) MSE评价机制：
在这里插入图片描述

注：Yi为预测值，Y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

1.5 波士顿房价预测

波士顿数据集

特征值	解释	类型
CRIM	该镇的人均犯罪率	连续值
ZN	占地面积超过25,000平方吹的住宅用地比例	连续值
INDUS	非零售商业用地比例	连续值
CHAS	是否邻近Charles River	离散值，1=邻近;0=不邻近
NOx	—氧化氮浓度	连续值
RM	每栋房屋的平均客房数	连续值
AGE	1940年之前建成的自用单位比例	连续值
DIS	到波士顿5个就业中心的加权距离	连续值
RAD	到径向公路的可达性指数	连续值
TAX	全值财产税率	连续值
PTRATIO	学生与教师的比例	连续值
B	1000(BK - 0.63)^2，其中BK为黑人占比	连续值
LSTAT	低收入人群占比	连续值
MEDV	同类房屋价格的中位数	连续值

流程
1. 获取数据集
2. 划分数据集
3. 特征工程：
  - 无量纲化 - 标准化
4. 预估器流程
  - fit() --> 模型
  - coef_ intercept_
5. 模型评估

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 Normal_equation():
    """
    正规方程的优化方法对波士顿房价进行预测
    :return: None
    """
    # 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=5)

    # 3)标准化
    transfer =  StandardScaler()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)

    # 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
    prediction = estimator.predict(x_test)
    print("预测房价为：\n",prediction)
    error = mean_squared_error(y_test,prediction)
    print("正规方程的均方误差为：\n",error)

def Gradient_descent():
    """
    梯度下降的优化方法对波士顿房价进行预测
    :return: None
    """
    # 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=5)

    # 3)标准化
    transfer = StandardScaler()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)

    # 4)预估器
    estimator = SGDRegressor()
    estimator.fit(x_train, y_train)

    # 5)得出模型
    print("梯度下降权重系数为：\n", estimator.coef_)
    print("梯度下降偏置为：\n", estimator.intercept_)

    # 6)模型评估
    prediction = estimator.predict(x_test)
    print("预测房价为：\n", prediction)
    error = mean_squared_error(y_test, prediction)
    print("梯度下降的均方误差为：\n", error)

if __name__ == '__main__':
    # 正规方程
    Normal_equation()
    # 梯度下降
    Gradient_descent()

1.6 正规方程和梯度下降对比

文字对比

梯度下降	正规方程
需要选择学习率	不需要
需要迭代求解	—次运算得出
特征数量较大可以使用	需要计算方程,时间复杂度高O(n³)

选择:
- 小规模数据：
  - LinearRegression(不能解决拟合问题)
  - 岭回归
- 大规模数据:SGDRegressor

拓展：关于优化方法GD、SGD、SAG

GD
梯度下降(Gradient Descent)，原始的梯度下降法需要计算所有样本的值才能够得出梯度，计算量大，所以后面才有会一系列的改进。
SGD
随机梯度下降(Stochastic gradient descent)是一个优化方法。它在一次迭代时只考虑一个训练样本。

SGD的优点是∶
高效
容易实现

SGD的缺点是∶
SGD需要许多超参数︰比如正则项参数、迭代数。
SGD对于特征标准化是敏感的。

SAG
随机平均梯度法(Stochasitc Average Gradient)，由于收敛的速度太慢，有人提出SAG等基于梯度下降的算法