本文转自 http://www.shareditor.com/blogshow/?blogId=54
一般情况下,一个因变量是和多个自变量有关的,比如一个商品的价格和原料价格、加工方法、上市时间、品牌价值等有关,也就是多元线性,本节介绍如何用scikit-learn解决多元线性回归问题
多元线性回归模型
方程:Y=Xβ
求解多元线性回归问题就是求解β:
因为X不一定是方阵,所以不能直接β=X-1Y
两边同时乘以Xt,得到XtY=XtXβ
因为XtX是方阵,它的逆是(XtX)-1,所以两边同时乘(XtX)-1得到
(XtX)-1XtY=β
根据这个公式,我们自己设计一个例子,验证一下
设计二元一次方程:y=1+2x1+3x2
取样本为(1,1,1),(1,1,2),(1,2,1),计算得y=(6,9,8)
注意:这里面常数项1相当于1*x0,只不过这里的x0永远取1
所以我们的
X = [[1,1,1],[1,1,2],[1,2,1]]
y = [[6],[9],[8]]
from numpy.linalg import inv #Compute the (multiplicative) inverse of a matrix
from numpy import dot,transpose #引入点乘,转置模块
from numpy.linalg import lstsq #最小二乘
x = [[1,1,1],[1,1,2],[1,2,1]]
y = [[6],[9],[8]]
print(dot(inv(dot(transpose(x),x)),dot(transpose(x),y)))
print lstsq(x,y)[0] #用numpy的最小二乘函数直接计算出
执行结果为:
[[ 1.]
[ 2.]
[ 3.]]
这里面transpose是求转置,dot是求矩阵乘积,inv是求矩阵的逆
[[ 1.]
[ 2.]
[ 3.]]
用scikit-learn求解多元线性回归
知道了原理,我们就直接尝试一下scikit-learn的线性模型回归吧from sklearn.linear_model import LinearRegression
x = [[1,1,1],[1,1,2],[1,2,1]]
y = [[6],[9],[8]]
model = LinearRegression()
model.fit(x,y)
x2 = [[1,3,5]]
y2 = model.predict(x2)
print(y2)
刚好y=1+2x1+3x2=1+2*3+3*5=22