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)