模型优化
准备数据:
import numpy as np
import scipy.io as sio
import scipy.optimize as opt
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
def load_data():
# 因为ex5data的d['X']的shape=(12, 1),而且pandas不能用2维数据构造dataframe,所以在返回前ravel一下,把它变成一维的
d = sio.loadmat('ex5data1.mat')
return map(np.ravel, [d['X'], d['y'], d['Xval'], d['yval'], d['Xtest'], d['ytest']])
X, y, Xval, yval, Xtest, ytest = load_data()
# 展示数据
df = pd.DataFrame({'water_level':X, 'flow':y})
sns.lmplot('water_level', 'flow', data=df, fit_reg=False, height=7)
plt.show()
# 三个数据集都改回二维,并加上一列x0
X, Xval, Xtest = [np.insert(x.reshape(x.shape[0], 1), 0, np.ones(x.shape[0]), axis=1) for x in (X, Xval, Xtest)]
展示数据:
损失函数
def cost(theta, X, y):
# INPUT:参数值theta,数据X,标签y
# OUTPUT:当前参数值下代价函数
# STEP1:获取样本个数
m = X.shape[0]
# STEP2:计算代价函数
error = X@theta.T-y
cost = np.sum(np.power(error,2))/(2*m)
return cost
theta = np.ones(X.shape[1])
# 303.9515255535976
cost(theta, X, y)
梯度函数
def gradient(theta, X, y):
# INPUT:参数值theta,数据X,标签y
# OUTPUT:当前参数值下梯度
# STEP1:获取样本个数
m = X.shape[0]
# STEP2:计算梯度
grad = X.T@(X@theta.T-y)/m
return grad
# array([-15.30301567, 598.16741084])
gradient(theta, X, y)
正则化梯度与代价函数
def regularized_gradient(theta, X, y, l=1):
# INPUT:参数值theta,数据X,标签y
# OUTPUT:当前参数值下梯度
# STEP1:获取样本个数
m = X.shape[0]
# STEP2:计算正则化梯度
regularized_term = l/m*theta
regularized_term[0] = 0 # 不用对theta0正则化
return gradient(theta, X, y) + regularized_term
# array([-15.30301567, 598.25074417])
regularized_gradient(theta, X, y)
def regularized_cost(theta, X, y, l=1):
m = X.shape[0]
# theta[1:]表示不用对theta0正则化
regularized_term = (l / (2 * m)) * np.power(theta[1:], 2).sum()
return cost(theta, X, y) + regularized_term
学习曲线
def linear_regression_np(X, y, l=1):
# INPUT:数据X,标签y,正则化参数l
# OUTPUT:当前参数值下使用梯度下降得到的结果
# STEP1:初始化参数
theta = np.ones(X.shape[1])
# STEP2:调用优化算法拟合参数
res = opt.minimize(fun=regularized_cost,
x0=theta,
args=(X,y,l),
method='TNC',
jac=regularized_gradient,
options={'disp': True})
return res
theta = np.ones(X.shape[0])
final_theta = linear_regression_np(X, y, l=0).get('x')
b = final_theta[0]
m = final_theta[1]
# 原始数据的点
plt.scatter(X[:,1], y, label="Training data")
# 预测的直线
plt.plot(X[:, 1], X[:, 1]*m + b, label="Prediction")
plt.legend(loc=2)
plt.show()
使用不同数量的训练数据集:
training_cost, cv_cost = [], []
# STEP1:获取样本个数,遍历每个样本
m = X.shape[0]
for i in range(1, m+1):
# STEP2:计算当前样本的代价
# 在lambda=0的时候,取前i个数据进行训练
res = linear_regression_np(X[:i, :], y[:i], l=0)
# 计算梯度下降得到参数theta的损失,不要加上正则项
tc = cost(res.get('x'),X[:i, :], y[:i])
cv = cost(res.get('x'),Xval, yval)
# STEP3:把计算结果存储至预先定义的数组training_cost, cv_cost中
training_cost.append(tc)
cv_cost.append(cv)
# 画出训练损失和验证损失随数据量变化而变化的图像
plt.plot(np.arange(1, m+1), training_cost, label='training cost')
plt.plot(np.arange(1, m+1), cv_cost, label='cv cost')
plt.legend(loc=1)
plt.show()
这个图在数据量小的时候两个损失相差很大,然后损失间隔迅速减少,最后增加数据量间隔也没有太大的变化,这是欠拟合的情况。这种情况还有一个特征,就是最后的损失相对较高,这里的y在[-5,30],每个数据平均有√(25*2)≈7的误差失其实也挺高的了。
准备高次项数据:
def prepare_poly_data(*args, power):
# args: 会保持输入参数X, Xval等的顺序
def prepare(x):
# 特征映射,变为高次项的组合
df = poly_features(x, power=power)
# 归一化处理
ndarr = normalize_feature(df).values
# 添加偏置项x0
return np.insert(ndarr, 0, np.ones(ndarr.shape[0]), axis=1)
return [prepare(x) for x in args]
def poly_features(x, power, as_ndarray=False): #特征映射
data = {'f{}'.format(i): np.power(x, i) for i in range(1, power + 1)}
df = pd.DataFrame(data)
return df.as_matrix() if as_ndarray else df
def normalize_feature(df):
# 归一化
return df.apply(lambda column: (column - column.mean()) / column.std())
X, y, Xval, yval, Xtest, ytest = load_data()
poly_features(X, power=3)
原来的x→(x,x2,x3)
x→x,……,x^8,然后归一化为[-1,1],最后输出前三行
X_poly, Xval_poly, Xtest_poly= prepare_poly_data(X, Xval, Xtest, power=8)
X_poly[:3, :]
学习曲线函数:
def plot_learning_curve(X, y, Xval, yval, l=0):
# INPUT:训练数据集X,y,交叉验证集Xval,yval,正则化参数l
# OUTPUT:当前参数值下的学习曲线
# STEP1:初始化参数,获取样本个数,开始遍历
training_cost, cv_cost = [], []
m = X.shape[0]
for i in range(1, m + 1):
# STEP2:调用之前写好的拟合数据函数进行数据拟合
res = linear_regression_np(X[:i,:],y[:i],l)
# STEP3:计算样本代价
tc = cost(res.get('x'),X[:i,:],y[:i])
cv = cost(res.get('x'),Xval,yval)
# STEP3:把计算结果存储至预先定义的数组training_cost, cv_cost中
training_cost.append(tc)
cv_cost.append(cv)
plt.plot(np.arange(1, m + 1), training_cost, label='training cost')
plt.plot(np.arange(1, m + 1), cv_cost, label='cv cost')
plt.legend(loc=1)
# lambda=0
plot_learning_curve(X_poly, y, Xval_poly, yval, l=0)
plt.show()
# lambda=1
plot_learning_curve(X_poly, y, Xval_poly, yval, l=1)
plt.show()
# lambda=100
plot_learning_curve(X_poly, y, Xval_poly, yval, l=100)
plt.show()
lambda=0的时候,训练损失一直很小,而且随着训练数据量的增多,训练损失和验证损失间的间隔依旧很大,这是过拟合的表现。
lambda=1的学习曲线,验证集损失相对较低了。
lambda=100的时候,间隔迅速减小,最后损失依旧很高,所以这是欠拟合了。
选择最优的超参数lambda
# 候选的超参数lambda
l_candidate = [0, 0.001, 0.003, 0.01, 0.03, 0.1, 0.3, 1, 3, 10]
training_cost, cv_cost = [], []
for l in l_candidate:
res = linear_regression_np(X_poly, y, l)
tc = cost(res.x, X_poly, y)
cv = cost(res.x, Xval_poly, yval)
training_cost.append(tc)
cv_cost.append(cv)
plt.plot(l_candidate, training_cost, label='training')
plt.plot(l_candidate, cv_cost, label='cross validation')
plt.legend(loc=2)
plt.xlabel('lambda')
plt.ylabel('cost')
plt.show()
损失随lambda变化而变化的图像,我们应该选择验证集损失最小的哪一个超参数,这里是lambda=1。
选择验证集损失最小的超参数,这里是lambda=1,计算准确率。
best_l=l_candidate[np.argmin(cv_cost)]
theta = linear_regression_np(X_poly, y, best_l).x
# test cost(l=1) = 7.466265914249742
print('test cost(l={}) = {}'.format(best_l, cost(theta, Xtest_poly, ytest)))