简介:个人学习分享,如有错误,欢迎批评指正
一、什么是线性回归
线性回归(Linear Regression)是一种基础且常用的机器学习算法,主要用于预测连续型变量。它通过构建一个线性关系模型
来描述输入变量与输出变量之间的关系。
线性回归旨在找到一个最佳拟合直线,使得输入特征和输出目标之间的误差最小。具体而言,它通过求解一组参数来建立输入变量 𝑥和输出变量 𝑦之间的线性关系
。常见的线性回归模型包括一元线性回归和多元线性回归。
回归算法与分类算法的区别
回归算法是相对分类算法而言的,与我们想要预测的目标变量y的值类型有关。当任务是预测一个连续值的话,那这个任务就是回归,是离散值的话就是分类。如果目标变量y是分类型变量,如预测用户的性别(男、女),预测月季花的颜色(红、白、黄……),预测是否中刮刮乐(是、否),那我们就需要用分类算法去拟合训练数据并做出预测;如果y是连续型变量,如预测用户的收入(4千,2万,10万……),预测员工的通勤距离(500m,1km,2万里……),预测中刮刮乐的概率(1%,50%,99%……),我们则需要用回归模型。
有时分类问题也可以转化为回归问题,例如刚刚举例的中刮刮乐预测,我们可以用回归模型先预测出中刮刮乐的概率,然后再给定一个阈值,例如50%,概率值在50%以下的人划为没有刮中,50%以上则认为刮中了。
这种分类型问题的回归算法预测,最常用的就是逻辑回归。
二、一元线性回归
一元线性回归模型的数学表达式为:
y = β 0 + β 1 x + ϵ y = \beta_0 + \beta_1 x + \epsilon y=β0+β1x+ϵ
其中, y y y 是预测值, β 0 \beta_0 β0 是截距, β 1 \beta_1 β1 是斜率, x x x 是输入特征, ϵ \epsilon ϵ 是误差项。
另外,
y
=
β
0
+
β
1
x
y = \beta_0 + \beta_1 x
y=β0+β1x表示当给定参数
β
0
\beta_0
β0和
β
1
\beta_1
β1 的时候,画在坐标图内是一条直线(这就是“线性”的含义
)。
当我们只用一个x来预测 y,就是一元线性回归
,也就是在找一个直线来拟合数据。比如,我有一组数据画出来的散点图,横坐标代表广告投入金额,纵坐标代表销售量,线性回归就是要找一条直线,并且让这条直线尽可能地拟合图中的数据点。线性回归无非就是在 N 维空间中找一个形式像直线方程一样的函数来拟合数据而已。
这里我们得到的拟合方程是
y
=
0.0512
x
+
7.1884
y = 0.0512x + 7.1884
y=0.0512x+7.1884,此时当我们获得一个新的广告投入金额后,我们就可以用这个方程预测出大概的销售量。
数学理论的世界是精确的,譬如当
x
=
0
x = 0
x=0 就能得到唯一的
y
^
=
7.1884
\hat{y} = 7.1884
y^=7.1884(y 上面加一个小帽子
^
\hat{}
^,表示这个
y
^
\hat{y}
y^不是我们真实观测到的,而是估计值)。但现实世界中的数据就像这个散点图,我们只是在可能的线性关系中寻找规律,用数学的模型去拟合现实的数据,这就是统计。统计不像数学那么精确,统计的世界不是非黑即白的,它有“灰色地带”,但是统计会将理论与实际间的差别表示出来,也就是“误差”
。
因此,统计世界中的公式会有一个小尾巴
ϵ
\epsilon
ϵ,用来代表误差
。
三、多元线性回归:
多元线性回归模型扩展了一元线性回归,包含多个输入特征。其数学表达式为:
y = β 0 + β 1 x 1 + β 2 x 2 + ⋯ + β n x n + ϵ y = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + \cdots + \beta_n x_n + \epsilon y=β0+β1x1+β2x2+⋯+βnxn+ϵ
其中, x 1 , x 2 , … , x n x_1, x_2, \ldots, x_n x1,x2,…,xn 是多个输入特征。
四、线性回归的数学推导
1.损失函数
那既然是用直线拟合散点,为什么最终得到的直线是
y
=
0.0512
x
+
7.1884
y = 0.0512x + 7.1884
y=0.0512x+7.1884,而不是下图中的
y
=
0.0624
x
+
5
y = 0.0624x + 5
y=0.0624x+5呢?这两条线看起来都可以拟合这些数据啊?毕竟数据不是真的落在一条直线上,而是分布在直线周围,所以我们要找到一个评判标准,用于评价哪条直线才是最“合适”的。
我们先从误差说起。误差说白了就是真实值和预测值间的差值(也可以理解为差距、距离),用公式表示是:
ϵ = y − y ^ \mathbf{\epsilon} = \mathbf{y} - \hat{\mathbf{y}} ϵ=y−y^
对于某个广告投入
x
i
x_i
xi,我们有对应的实际销售量
y
i
y_i
yi,和预测出来的销售量
y
i
^
\hat{y_i}
yi^(通过将
x
i
x_i
xi代入公式
y
=
β
0
+
β
1
x
i
y = \beta_0 + \beta_1 x_i
y=β0+β1xi计算得到),计算
ϵ
i
=
y
i
−
y
i
^
\epsilon_i = y_i - \hat{y_i}
ϵi=yi−yi^的值,再将其平方(为了消除负号),对于我们数据中的每个点如此计算一遍,再将所有的
ϵ
i
2
\epsilon_i^2
ϵi2相加,就能计算出拟合的直线和实际之间的误差。
用公式表示就是:
Q = ∑ i = 1 n ( y i − y i ^ ) 2 = ∑ i = 1 n ( y i − ( β ^ 0 + β ^ 1 x i ) ) 2 Q = \sum_{i=1}^{n} (y_i - \hat{y_i})^2 = \sum_{i=1}^{n} \left( y_i - (\hat\beta_0 + \hat\beta_1 x_i) \right)^2 Q=i=1∑n(yi−yi^)2=i=1∑n(yi−(β^0+β^1xi))2
这个公式是残差平方和
,即 SSE(Sum of Squares for Error),在机器学习中它是回归问题中最常用的损失函数。
损失函数是衡量回归模型误差的函数,也就是我们“直线”的评价标准。这个函数的值越小,说明直线越能拟合我们的数据。
例:
假设我们有一组样本,建立了一个线性回归模型
f
(
x
)
f(x)
f(x),其中一个样本
A
A
A是这样的:
公司投入了
x
=
1000
x=1000
x=1000元做广告,销售量为
y
=
60
y=60
y=60,
f
(
x
=
1000
)
f(x=1000)
f(x=1000)算出来是50,有-10的误差。
样本 B B B: x = 2000 x=2000 x=2000,销售量为 y = 95 y=95 y=95, f ( x = 2000 ) = 100 f(x=2000)=100 f(x=2000)=100,误差为5。
样本 C C C: x = 3000 x=3000 x=3000,销售量为 y = 150 y=150 y=150, f ( x = 2000 ) = 150 f(x=2000)=150 f(x=2000)=150,误差为0哦,没有误差~
要计算A、B、C的整体误差,因为有正有负,所以做个平方,都弄成正的后再相加,得到总误差,也就是平方损失,是125。
2.最小二乘法
那 β 0 \beta_0 β0和 β 1 \beta_1 β1 的具体值又是怎么算出来的呢?
我们知道,两点确定一线,有两组 x x x、 y y y 的值,就能算出来 β 0 \beta_0 β0 和 β 1 \beta_1 β1。但是现在我们有很多点,且并不正好落在一条直线上,这么多点每点都能确定一条直线,这到底要怎么确定哪条直线呢?
当给出两条直线的方程,如 y = 0.0512 x + 7.1884 y = 0.0512x + 7.1884 y=0.0512x+7.1884, y = 0.0624 x + 5 y = 0.0624x + 5 y=0.0624x+5,我们知道怎么评价这两条中哪个更好,即用损失函数来评估。那么我们试试倒推一下?
给定一组样本观测值 x i , y i ( i = 1 , 2 , … , n ) x_i, y_i (i = 1, 2, \ldots, n) xi,yi(i=1,2,…,n),要求回归函数尽可能拟合这组值。普通最小二乘法给出的判断标准是:误差平方和的值达到最小。
我们再来看一下残差平方和的公式:
Q = ∑ i = 1 n ( y i − y i ^ ) 2 = ∑ i = 1 n ( y i − ( β ^ 0 + β ^ 1 x i ) ) 2 Q = \sum_{i=1}^{n} (y_i - \hat{y_i})^2 = \sum_{i=1}^{n} \left( y_i - (\hat\beta_0 + \hat\beta_1 x_i) \right)^2 Q=i=1∑n(yi−yi^)2=i=1∑n(yi−(β^0+β^1xi))2
这个公式是一个二次方程,我们知道一元二次方程差不多长下图这样:
上面公式中
β
^
0
\hat\beta_0
β^0和
β
^
1
\hat\beta_1
β^1未知,有两个未知参数的二次方程,画出来是一个三维空间中的图像,类似下面:
这类函数在数学中叫做凸函数,还记得微积分知识的话,就知道导数为0时,Q取最小值,因此我们分别对
β
^
0
\hat\beta_0
β^0和
β
^
1
\hat\beta_1
β^1求偏导并令其为0:
∂
Q
∂
β
0
=
2
∑
i
=
1
n
(
y
i
−
β
0
^
−
β
1
^
x
i
)
=
0
\frac{\partial Q}{\partial \beta_0} = 2 \sum_{i=1}^{n} \left( y_i - \hat{\beta_0} - \hat{\beta_1} x_i \right) = 0
∂β0∂Q=2i=1∑n(yi−β0^−β1^xi)=0
∂
Q
∂
β
1
=
2
∑
i
=
1
n
(
y
i
−
β
0
^
−
β
1
^
x
i
)
x
i
=
0
\frac{\partial Q}{\partial \beta_1} = 2 \sum_{i=1}^{n} \left( y_i - \hat{\beta_0} - \hat{\beta_1} x_i \right) x_i = 0
∂β1∂Q=2i=1∑n(yi−β0^−β1^xi)xi=0
x
i
,
y
i
(
i
=
1
,
2
,
…
n
)
x_i,y_i(i=1,2,…n)
xi,yi(i=1,2,…n)都是已知的,全部代入上面两个式子,就可求得
β
^
0
\hat\beta_0
β^0和
β
^
1
\hat\beta_1
β^1的值啦。这就是最小二乘法,“二乘”是平方的意思。
线性回归的定义,是利用最小二乘函数对一个或多个自变量之间关系进行建模的方法。
以上举的例子是一维的例子( x x x只有一个),如果有两个特征,就是二元线性回归,要拟合的就是二维空间中的一个平面。如果有多个特征,那就是多元线性回归:
最后再提醒一点,做线性回归,不要忘了前提假设是 y y y和 x x x呈线性关系,如果两者不是线性关系,就要选用其他的模型啦。
五、python代码示例
调包
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
# 生成模拟数据
np.random.seed(0)
X = 2 * np.random.rand(100, 1)
y = 4 + 3 * X + np.random.randn(100, 1)
# 拆分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 创建并训练模型
model = LinearRegression()
model.fit(X_train, y_train)
# 预测
y_pred = model.predict(X_test)
# 计算误差
mse = mean_squared_error(y_test, y_pred)
print(f"Mean Squared Error: {mse}")
# 可视化结果
plt.scatter(X, y, color='blue', label='Data Points')
plt.plot(X_test, y_pred, color='red', linewidth=2, label='Regression Line')
plt.xlabel('X')
plt.ylabel('y')
plt.title('Linear Regression')
plt.legend()
plt.show()
不调包
import numpy as np
import matplotlib.pyplot as plt
# 生成模拟数据
np.random.seed(0)
X = 2 * np.random.rand(100, 1) * 50 # 房屋面积在 0 到 100 平方米之间
y = 4 + 3 * X + np.random.randn(100, 1) * 10 # 房价大约在 4 + 3 * 面积,带有一些随机噪声
# 添加偏置项
X_b = np.c_[np.ones((100, 1)), X] # 在X矩阵的左侧添加一列1
# 梯度下降法参数
learning_rate = 0.01
n_iterations = 1000
m = 100
# 初始化随机的权重参数
theta = np.random.randn(2, 1)
# 梯度下降法
for iteration in range(n_iterations):
gradients = 2/m * X_b.T.dot(X_b.dot(theta) - y)
theta = theta - learning_rate * gradients
# 输出结果
print(f"Intercept (beta_0): {theta[0][0]}")
print(f"Coefficient (beta_1): {theta[1][0]}")
# 预测
X_new = np.array([[0], [100]]) # 新的输入数据
X_new_b = np.c_[np.ones((2, 1)), X_new] # 添加偏置项
y_predict = X_new_b.dot(theta) # 预测结果
# 可视化
plt.scatter(X, y, color='blue', label='Data Points')
plt.plot(X_new, y_predict, color='red', linewidth=2, label='Regression Line')
plt.xlabel('House Size (sqm)')
plt.ylabel('House Price (10,000 yuan)')
plt.title('Linear Regression for House Price Prediction')
plt.legend()
plt.show()
六、总结
优点
- 简单易懂:
线性回归模型的原理和数学公式非常简单,易于理解和实现。
结果具有良好的可解释性
,模型参数(截距和系数)直观地反映了输入特征与输出目标之间的关系。 - 计算效率高:
由于模型简单,线性回归在训练和预测时计算效率非常高,适合大规模数据集的快速建模和预测。 - 适用于线性关系:
在线性关系较强的数据集上,线性回归能很好地捕捉数据特征并进行准确预测。 - 少量参数调优:
线性回归无需大量的参数调优,主要关注模型的截距和系数。
不需要复杂的模型选择和超参数调整。 适用于小数据集
:
在样本数量较少的情况下,线性回归依然可以有效地进行建模和预测。
缺点
- 假设严格:
线性回归要求输入特征与输出目标之间存在线性关系
,但现实数据往往不完全满足这一假设。
需要满足正态性、同方差性、独立性等假设条件,否则模型性能可能受到影响。 对异常值敏感
:
线性回归对异常值非常敏感,异常值可能对模型的拟合结果产生较大影响,导致模型偏差较大。- 无法捕捉复杂关系:
线性回归只能捕捉线性关系,对于非线性关系的特征无法有效建模,导致在处理复杂数据时性能不足。 - 特征独立性要求:
线性回归要求特征之间独立
,若存在多重共线性,会导致模型不稳定,系数估计不准确。 - 过拟合风险:
在特征数量较多且样本数量较少的情况下,线性回归容易产生过拟合问题,导致模型在训练集上表现良好,但在测试集上表现不佳。
线性回归作为一种经典的预测模型,具有简单易懂、计算效率高等优点,适用于特定场景和数据特征。然而,它也存在假设严格、对异常值敏感、无法捕捉复杂关系等局限性。在实际应用中,需要根据具体情况选择合适的模型,并结合数据预处理和特征工程等方法来提升模型性能。
参考文献:
线性回归详解
结~~~