线性回归,最小二乘法
x = [2.8 ,2.9, 3.2 ,3.2, 3.4, 3.2, 3.3, 3.7, 3.9, 4.2]
y = [25.3, 27.6, 29.4, 32.3, 34.1, 36.2, 35.3, 39.1, 42, 45]
plt.scatter(x,y)
#plt.plot(x,y)
plt.show()
def avg(x):
m=len(x)
sum=0
for num in x:
sum+=num
return sum/m
def fit(x,y):
#计算均值
x_avg=avg(x)
y_avg=avg(y)
m=len(x)
tmp_1=0
tmp_2=0
#计算参数a,b
for i in range(m):
tmp_1+=(x[i]-x_avg)*(y[i]-y_avg)
tmp_2+=(x[i]-x_avg)**2
a=tmp_1/tmp_2
b=y_avg-a*x_avg
return a,b
a,b=fit(x,y)
print(a,b)
pre_y=[]
for i in range(len(y)):
pre_y.append(a*x[i]+b)
plt.scatter(x,y)
plt.plot(x,pre_y)
plt.show()
梯度下降法
根据前九个小时的空气检测情况预测第十个小时的PM2.5的值。
数据中纵列表示0-23时空气中各种数据的变化情况,每18横行表示一天的
数据预处理
- 对于空缺值,可以使用补全法和删除法,补全法一般填补样本均值,数据预处理的作用是将数据转变为模型可识别的数据。
import pandas as pd
import numpy as np
# 数据预处理
def dataProcess(df):
x_list, y_list = [], []
# df替换指定元素,将空数据填充为0
df = df.replace(['NR'], [0.0])
# astype() 转换array中元素数据类型
array = np.array(df).astype(float)
# 将数据集拆分为多个数据帧
for i in range(0, 4320, 18):
for j in range(24-9):
mat = array[i:i+18, j:j+9]
label = array[i+9, j+9] # 第10行是PM2.5
x_list.append(mat)
y_list.append(label)
x = np.array(x_list)
y = np.array(y_list)
return x, y, array
# 更新参数,训练模型
def train(x_train, y_train, epoch):
bias = 0 # 偏置值初始化
weights = np.ones(9) # 权重初始化
learning_rate = 1 # 初始学习率
reg_rate = 0.001 # 正则项系数
bg2_sum = 0 # 用于存放偏置值的梯度平方和
wg2_sum = np.zeros(9) # 用于存放权重的梯度平方和
for i in range(epoch):
b_g = 0
w_g = np.zeros(9)
# 在所有数据上计算Loss_label的梯度
for j in range(3200):
b_g += (y_train[j] - weights.dot(x_train[j, 9, :]) - bias) * (-1)
for k in range(9):
w_g[k] += (y_train[j] - weights.dot(x_train[j, 9, :]) - bias) * (-x_train[j, 9, k]) #计算梯度
# 求平均
b_g /= 3200
w_g /= 3200
# 加上Loss_regularization在w上的梯度
for m in range(9):
w_g[m] += reg_rate * weights[m]
# adagrad
bg2_sum += b_g**2
wg2_sum += w_g**2
# 更新权重和偏置
bias -= learning_rate/bg2_sum**0.5 * b_g
weights -= learning_rate/wg2_sum**0.5 * w_g
# 每训练200轮,输出一次在训练集上的损失
if i%200 == 0:
loss = 0
for j in range(3200):
loss += (y_train[j] - weights.dot(x_train[j, 9, :]) - bias)**2
print('after {} epochs, the loss on train data is:'.format(i), loss/3200)
return weights, bias
# 验证模型效果
def validate(x_val, y_val, weights, bias):
loss = 0
for i in range(400):
loss += (y_val[i] - weights.dot(x_val[i, 9, :]) - bias)**2
return loss / 400
def main():
# 从csv中读取有用的信息
# 由于大家获取数据集的渠道不同,所以数据集的编码格式可能不同
# 若读取失败,可在参数栏中加入encoding = 'gb18030'
df = pd.read_csv('train.csv', usecols=range(3,27))
x, y, _ = dataProcess(df)
#划分训练集与验证集
x_train, y_train = x[0:3200], y[0:3200]
x_val, y_val = x[3200:3600], y[3200:3600]
epoch = 2000 # 训练轮数
# 开始训练
w, b = train(x_train, y_train, epoch)
# 在验证集上看效果
loss = validate(x_val, y_val, w, b)
print('The loss on val data is:', loss)
if __name__ == '__main__':
main()
上述模型将一天中的18种数据全都作为影响PM2.5的因素,使用梯度下降进行训练。
下面使用sklearn模型中的岭回归进行训练,仅考虑前9个小时PM2.5作为第10个小时的影响因素。
from sklearn import linear_model
import matplotlib.pyplot as plt
import pandas as pd
if __name__=='__main__':
reg = linear_model.Ridge(alpha=898.21)
reg.fit(x_data, y_data)
pre_y_data = reg.predict(x_data)
# 使用广义交叉验证 拟合得到最优alpha参数 = 898.21
# regs = linear_model.RidgeCV(np.linspace(1,1000))
# regs.fit(x_data, y_data)
#
# alpha = regs.alpha_
# 求得误差
err = abs(pre_y_data - y_data)
plt.plot(np.linspace(1, len(err), len(err)), err)
plt.xlabel(r'$trainingIndex$', fontsize=16)
plt.ylabel(r'$error$', fontsize=16)
plt.title('abs trainingError')
plt.show()
print(err.sum(axis=0)/len(err)*1.0)
- 在实际训练模型时,首先要将数据转变为模型可识别的数据,对数据的缺失值,不合理值进行预处理。
- 选择合适的模型来训练,选择适当的损失函数(如交叉熵、平方损失)
- 观察模型的结果是否发生过拟合或者欠拟合的现象,若发生过拟合,应该使用正则化L1或L2正则化项来平衡模型复杂度和误差的关系,还可以采用交叉验证的方法。若欠拟合,应需要更多的数据或者是重新选择模型。