一 概述
通常情况下的线性拟合不能很好地预测所有的值,因为它容易导致欠拟合(under fitting),比如数据集是
一个钟形的曲线。而多项式拟合能拟合所有数据,但是在预测新样本的时候又会变得很糟糕,因为它导致数据的
过拟合(overfitting),不符合数据真实的模型。
局部加权回归(LWR)是非参数学习方法。 首先参数学习方法是这样一种方法:在训练完成所有数据后得到一系列训练参数,然后根据训练参数来预测新样本的值,这时不再依赖之前的训练数据了,参数值是确定的。而非参数学习方法是这样一种算法:在预测新样本值时候每次都会重新训练数据得到新的参数值,也就是说每次预测新样本都会依赖训练数据集合,所以每次得到的参数值是不确定的。
具体的介绍在我之前的斯坦福机器学习笔记(一)中有详细介绍。链接为:http://blog.csdn.net/qq_30091945/article/details/61615501
这次运用的数据是来自《机器学习实战》这本书中第八章ex0文件中的数据。
二 代码
import numpy as np
import matplotlib.pyplot as plt
def LoadDataSet(file):
"""
:param file:文件路径
:return: 返回测试数据与标签
"""
ftrain = open(file)
trainingset = []
labelset = []
for line in ftrain.readlines():
LineArr = line.strip().split('\t')
trainingset.append([float(LineArr[0]),float(LineArr[1])])
labelset.append(float(LineArr[2]))
return trainingset, labelset
def LWRTest(traingxarr,xarr,yarr,k):
Xmat = np.mat(xarr)
Ymat = np.mat(yarr)
# m是输入数据的个数,weights是单位矩阵
m = np.shape(Xmat)[0]
weights = np.eye(m)
for i in range(m):
diffmat = traingxarr - Xmat[i,:]
weights[i,i] = np.exp(-(diffmat*diffmat.transpose())/(2.0*k**2))
XT = Xmat.transpose()*(weights*Xmat)
if np.linalg.det(XT) == 0: #矩阵的行列式为0时不能进行之后的计算
print('This Matrix is singular, cannot do inverse')
return
#theta是回归系数
theta = XT.I*Xmat.transpose()*(weights*Ymat.transpose())
ytest= traingxarr*theta
return ytest
def LWR(trainingset,xarr,yarr,k):
"""
:param trianingset:训练数据集
:param xarr: 输入样本的横坐标
:param yarr: 输入样本的纵坐标
:param k: 带宽参数
:return:返回预测值
"""
# m是输入数据的个数,weights是单位矩阵
m = np.shape(trainingset)[0]
ytest = np.zeros(m)
for i in range(m):
ytest[i] = LWRTest(trainingset[i],xarr,yarr,k)
return ytest
def Show(xarr,yarr,ytest,k):
"""
:param xarr: 样本数据特征值
:param ytest: LWR回归得到的预测
:param yarr: 样本数据标记值
"""
xmat = np.mat(xarr)
strInd = xmat[:, 1].argsort(0)
xSort = xmat[strInd][:, 0, :]
fig = plt.figure()
ax = fig.add_subplot(1,1,1)
ax.plot(xSort[:, 1], ytest[strInd])
ax.scatter(xmat[:, 1].flatten().A[0], np.mat(yarr).T.flatten().A[0], s=2, c='red')
title = "k = "
title += str(k)
ax.set_title(title)
plt.savefig("D:\\Program Files (x86)\\机器学习\\斯坦福大学机器学习\\中文笔记\\Linear Regression\\LWR\\"+title+".jpg",dpi=400,bbox_inches='tight')
plt.show()
def run_main():
"""
这是主函数
"""
file = 'D:\\Program Files (x86)\\机器学习\\机器学习实战\\源代码\\Ch08\\ex0.txt'
xarr,yarr = LoadDataSet(file)
k = [1.0,0.01,0.003]
for i in k:
ytest = LWR(xarr,xarr,yarr,i)
Show(xarr,yarr,ytest,i)
if __name__ == '__main__':
run_main()
下面是将上述代码利用面向对象程序设计进行重写的Python代码:
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time : 2018/8/1614:07
# @Author : DaiPuWei
# E-Mail : 771830171@qq.com
# @Site :
# @File : LWR.py
# @Software: PyCharm
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt
class LWR:
def __init__(self,train_data,train_predict):
"""
这是局部加权回归的构造函数
:param train_data: 训练数据集
:param train_predict: 训练数据集对应的预测值
"""
self.Train_Data = train_data
self.Train_Predict = train_predict
def Gaussian_Weight(self,data,k):
"""
这是计算测试数据data高斯核函数
:param data: 预测数据
:param k: 带宽系数
"""
# data的数据类型是np.array,那么利用dot方法进行矩阵运算的结果是矩阵,哪怕只有一个元素
sum = np.sum(data*data)
return np.exp(sum/(-2*k*k))
def predict(self,test_data,k):
"""
这是预测测试数据结果的函数
:param test_data:测试数据
:param k: 带宽系数
"""
size = np.shape(self.Train_Data)[0]
weights = np.zeros((size,size))
for i in range(size):
diff = test_data-self.Train_Data[i]
weights[i,i] = self.Gaussian_Weight(diff,k)
XT = self.Train_Data.T.dot(weights)
inv = np.linalg.inv(XT.dot(self.Train_Data))
theta = inv.T.dot(XT.dot(self.Train_Predict))
test_predict = np.sum(theta.T*test_data)
return test_predict
def Test(self,Test_Data,k):
Test_Predict = []
for test_data in Test_Data:
test_predict = self.predict(test_data,k)
Test_Predict.append(test_predict)
Test_Predict = np.array(Test_Predict)
return Test_Predict
def LoadDataSet(file):
'''
导入西瓜数据
'''
ftrain = open(file)
trainingset = []
labelset = []
for line in ftrain.readlines():
LineArr = line.strip().split('\t')
trainingset.append([float(LineArr[0]),float(LineArr[1])])
labelset.append(float(LineArr[2]))
trainingset = np.array(trainingset)
labelset = np.array(labelset).reshape((len(labelset),1))
return trainingset, labelset
def run_main():
"""
这是主函数
"""
path = "./ex0.txt"
trainingset, labelset = LoadDataSet(path)
# 解决画图是的中文乱码问题
mpl.rcParams['font.sans-serif'] = [u'simHei']
mpl.rcParams['axes.unicode_minus'] = False
K = [1.0,0.1,0.01,0.003]
for k in K:
lwr = LWR(trainingset,labelset)
testpredict = lwr.Test(trainingset,k)
plt.scatter(trainingset[:,1],labelset,s =2,c='red')
index = trainingset[:, 1].argsort(0)
xdata = trainingset[index][:,1]
plt.plot(xdata,testpredict[index],'b')
plt.title("k=%f"%(k))
plt.savefig("k=%f.jpg"%(k))
plt.show()
plt.close()
if __name__ == '__main__':
run_main()
下面是模型运行结果如下:
k = 1.0 (欠拟合)
k = 0.01(最佳拟合)
k = 0.003(过拟合)