用scikit学习和pandas学习线性回归

【转】用scikit学习和pandas学习线性回归

　　　　　　对于想深入了解线性回归的童鞋，这里给出一个完整的例子，详细学完这个例子，对用scikit学习来运行线性回归，评估模型不会有什么问题了。

1.获取数据，定义问题

　　　　没有数据，当然没法研究机器学习啦。:)这里我们用UCI大学公开的机器学习数据来跑线性回归。

　　　　数据的介绍在这里：http :  //archive.ics.uci.edu/ml/datasets/Combined+Cycle+Power+Plant </ p>

　　　　数据的下载地址在这：http :  //archive.ics.uci.edu/ml/machine-learning-databases/00294/ </ p>

　　　　里面是一个循环发电场的数据，共有9568个样本数据，每个数据有5列，分别是：AT（温度），V（压力），AP（湿度），RH（压强），PE（输出电力） 。我们不用纠结于每项具体的意思。

　　　　我们的问题是得到一个线性的关系，对应PE是样本输出，而AT / V / AP / RH这4个是样本特征，机器学习的目的就是得到一个线性回归模型，即：

　　　　（PE = \ theta 0 + \ theta_1 AT + \ theta_2 V + \ theta_3 AP + \ theta_4 RH）

　　　　而需要学习的，就是（\ theta_0，\ theta_1，\ theta_2，\ theta_3，\ theta_4）这5个参数。

2.整理数据

　　　　下载后的数据可以发现是一个压缩文件，解压后可以看到里面有一个XLSX文件，我们先用Excel中把它打开，接着“另存为‘’的CSV格式，保存下来，后面我们就用这个CSV来运行线性回归。

　　　　打开这个CSV可以发现数据已经整理好，没有非法数据，因此不需要做预处理。但是这些数据并没有归一化，也就是转化为均值为0，方差1的格式。也不用我们搞，后面scikit-学习在线性回归时会先帮我们把归一化搞定。

　　　　好了，有了这个CSV格式的数据，我们就可以大干一场了。

3.用pandas来读取数据

　　　　我们先打开ipython笔记本，新建一个notebook。当然也可以直接在python的交互式命令行里面输入，不过还是推荐用notebook。下面的例子和输出我都是在notebook里面跑的。

　　　　先把要导入的库声明了：

import matplotlib.pyplot as plt
％matplotlib inline
 import numpy as np
 import pandas as pd
 from sklearn import datasets，linear_model

　　　　接着我们就可以用大熊猫读取数据了：

＃read_csv里面的参数是CSV在你电脑上的路径，此处CSV文件放在笔记本运行目录下面的CCPP目录里 
数据= pd.read_csv（' \ CCPP \ ccpp.csv '）

　　　　测试下读取数据是否成功：

＃读取前五行数据，如果是最后五行，用data.tail（） 
data.head（）

　　　　运行结果应该如下，看到下面的数据，说明大熊猫读取数据成功：

	在	V	美联社	RH	PE
0	8.34	40.77	1010.84	90.01	480.48
1	23.64	58.49	1011.40	74.20	445.75
2	29.74	56.90	1007.15	41.91	438.76
3	19.07	49.69	1007.22	76.79	453.09
4	11.80	40.66	1017.13	97.20	464.43

　　　　

4.准备运行算法的数据

　　　　我们看看数据的维度：

data.shape

　　　　结果是（9568，5）。说明我们有9568个样本，每个样本有5列。

　　　　现在我们开始准备样本特征X，我们用AT，V，AP和RH这4个列作为样本特征。

X = data [[ ' AT '，' V '，' AP '，' RH ' ]]
X.head（）

　　　　可以看到X的前五条输出如下：

	在	V	美联社	RH
0	8.34	40.77	1010.84	90.01
1	23.64	58.49	1011.40	74.20
2	29.74	56.90	1007.15	41.91
3	19.07	49.69	1007.22	76.79
4	11.80	40.66	1017.13	97.20

 

　　　　接着我们准备样本输出y，我们用PE作为样本输出。

y = data [[ ' PE ' ]]
y.head（）

　　　　可以看到ÿ的前五条输出如下：

	PE
0	480.48
1	445.75
2	438.76
3	453.09
4	464.43

5.划分训练集和测试集

　　　　我们把X和ý的样本组合划分成两部分，一部分是训练集，一部分是测试集，代码如下：

从 sklearn.cross_validation 导入train_test_split
X_train，X_test，y_train，y_test = train_test_split（X，y，random_state = 1）

　　　　查看下训练集和测试集的维度：

打印X_train.shape
 打印y_train.shape
 打印X_test.shape
 打印 y_test.shape

　　　　结果如下：

（7176,4）
（7176,1）
（2392,4）
（2392，1）　　　　可以看到75％的样本数据被作为训练集，25％的样本被作为测试集。

　　　
　　

6.运行scikit-learn的线性模型

　　　　终于到了临门一脚了，我们可以用scikit学习的线性模型来拟合我们的问题了.scikit学习的线性回归算法使用的是最小二乘法来实现的代码如下：

从 sklearn.linear_model 导入LinearRegression
linreg = LinearRegression（）
linreg.fit（X_train，y_train）

　　　　拟合完毕后，我们看看我们的需要的模型系数结果：

打印linreg.intercept
 print linreg.coef_

　　　　输出如下：

[447.06297099]
[[-1.97376045 -0.23229086 0.0693515 -0.15806957]]

　　　　这样我们就得到了在步骤1里面需要求得的5个值也就是说PE和其他4个变量的关系如下：

　　　　（PE = 447.06297099 - 1.97376045 AT - 0.23229086 V + 0.0693515 AP -0.15806957RH）　　　　

7.模型评价

　　　　我们需要评估我们的模型的好坏程度，对于线性回归来说，我们一般用均方差（Mean Squared Error，MSE）或者均方根差（Root Mean Squared Error，RMSE）在测试集上的表现来评价模型的好坏。

　　　　我们看看我们的模型的MSE和RMSE，代码如下：

＃模型拟合测试集 
y_pred = linreg.predict（X_test）
 从 sklearn 进口度量
 ＃用scikit学习计算MSE 
打印 “ ：MSE ” ，metrics.mean_squared_error（y_test，y_pred）
＃用scikit学习计算RMSE 
打印 “ RMSE：“，np.sqrt（metrics.mean_squared_error（y_test，y_pred））

　　　　输出如下：

MSE：20.0804012021
RMSE：4.48111606657

　　　　得到了MSE或者RMSE，如果我们用其他方法得到了不同的系数，需要选择模型时，就用MSE小的时候对应的参数。

　　　　比如这次我们用AT，V，AP这3个列作为样本特征。不要RH，输出仍然是PE。代码如下：

X = data [[ ' AT '，' V '，' AP ' ]]
y = data [[ ' PE ' ]]
X_train，X_test，y_train，y_test = train_test_split（X，y，random_state = 1 ）
 from sklearn.linear_model import LinearRegression
linreg = LinearRegression（）
linreg.fit（X_train，y_train）
＃模型拟合测试集 
y_pred = linreg.predict（X_test）
 从 sklearn 进口度量
 ＃用scikit学习计算MSE 
打印 “ ：MSE ” ，metrics.mean_squared_error（y_test，y_pred）
＃用scikit学习计算RMSE 
打印 “ RMSE：“，np.sqrt（metrics.mean_squared_error（y_test，y_pred））

　　　　　输出如下：

MSE：23.2089074701
RMSE：4.81756239919

　　　　可以看出，去掉RH后，模型拟合的没有加上RH的好，MSE变大了。

8.交叉验证

　　　　我们可以通过交叉验证来持续优化模型，代码如下，我们采用10折交叉验证，即cross_val_predict中的CV参数为10：

X = data [[ ' AT '，' V '，' AP '，' RH ' ]]
y = data [[ ' PE ' ]]
 from sklearn.model_selection import cross_val_predict
预计 = cross_val_predict（linreg，X，y，cv = 10 ）
 ＃用scikit-learn计算MSE 
print  “ MSE：” ，metrics.mean_squared_error（y，predicted）
 ＃用scikit-learn计算RMSE 
print  “ RMSE：”，np。 sqrt（metrics.mean_squared_error（y，预测））

 　　　　输出如下：

MSE：20.7955974619
RMSE：4.56021901469

　　　　可以看出，采用交叉验证模型的MSE比第6节的大，主要原因是我们这里是对所有折的样本做测试集对应的预测值的MSE，而第6节仅仅对25％的测试集做MSE了。两者的先决条件并不同。

 

9.画图观察结果

　　　　这里画图真实值和预测值的变化关系，离中间的直线Y = X直接越近的点代表预测损失越低代码如下：

无花果，斧= plt.subplots（）
ax.scatter（y，预测）
ax.plot（[y.min（），y.max（）]，[y.min（），y.max（）]，' k-- '，lw = 4 ）
ax.set_xlabel（' Measured ' ）
ax.set_ylabel（' 预测' ）
plt.show（）

　　　　输出的图像如下：

　　  以上就是用scikit学习和大熊猫学习线性回归的过程，希望可以对初学者有所帮助。
　　　　

（欢迎转载，转载请注明出处。欢迎沟通交流：pinard.liu@ericsson.com）