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。
目录
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:
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:
- 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:
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
- 获取数据集
- 划分数据集
- 特征工程:
- 无量纲化 - 标准化
- 预估器流程
- fit() --> 模型
- coef_ intercept_
- 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
- 小规模数据:
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
Scikit-learn:岭回归、逻辑回归等当中都会有SAG优化