🎬 HoRain 云小助手：个人主页
⛺️生活的理想，就是为了理想的生活!
⛳️ 推荐
前些天发现了一个超棒的服务器购买网站，性价比超高，大内存超划算！忍不住分享一下给大家。点击跳转到网站。
线性回归（Linear Regression）是机器学习中最基础且广泛应用的算法之一。
线性回归 (Linear Regression) 是一种用于预测连续值的最基本的机器学习算法，它假设目标变量 y 和特征变量 x 之间存在线性关系，并试图找到一条最佳拟合直线来描述这种关系。
y = w * x + b
其中：
-
y是预测值 -
x是特征变量 -
w是权重 (斜率) -
b是偏置 (截距)
线性回归的目标是找到最佳的 w 和 b，使得预测值 y 与真实值之间的误差最小。常用的误差函数是均方误差 (MSE)：
MSE = 1/n * Σ(y_i - y_pred_i)^2
其中：
- y_i 是实际值。
- y_pred_i 是预测值。
- n 是数据点的数量。
我们的目标是通过调整 w 和 b ，使得 MSE 最小化。
如何求解线性回归？
1、最小二乘法
最小二乘法是一种常用的求解线性回归的方法，它通过求解以下方程来找到最佳的 ( w ) 和 ( b )。
最小二乘法的目标是最小化残差平方和（RSS），其公式为：
RSS=∑i=1n(yi−y^i)2RSS=i=1∑n(yi−y^i)2
其中：
yiyi是实际值。y^iy^i是预测值，由线性回归模型y^i=wxi+by^i=wxi+b计算得到。
通过最小化 RSS，可以得到以下正规方程：
{w∑i=1nxi2+b∑i=1nxi=∑i=1nxiyiw∑i=1nxi+bn=∑i=1nyi{w∑i=1nxi2+b∑i=1nxi=∑i=1nxiyiw∑i=1nxi+bn=∑i=1nyi
矩阵形式
将正规方程写成矩阵形式：
[∑i=1nxi2∑i=1nxi∑i=1nxin][wb]=[∑i=1nxiyi∑i=1nyi][∑i=1nxi2∑i=1nxi∑i=1nxin][wb]=[∑i=1nxiyi∑i=1nyi]
求解方法
通过求解上述矩阵方程，可以得到最佳的 ww 和 bb：
[wb]=[∑i=1nxi2∑i=1nxi∑i=1nxin]−1[∑i=1nxiyi∑i=1nyi][wb]=[∑i=1nxi2∑i=1nxi∑i=1nxin]−1[∑i=1nxiyi∑i=1nyi]
2、梯度下降法
梯度下降法的目标是最小化损失函数 J(w,b)J(w,b) 。对于线性回归问题，通常使用均方误差（MSE）作为损失函数：
J(w,b)=12m∑i=1m(yi−y^i)2J(w,b)=2m1i=1∑m(yi−y^i)2
其中：
mm是样本数量。yiyi是实际值。y^iy^i是预测值，由线性回归模型y^i=wxi+by^i=wxi+b计算得到。
梯度是损失函数对参数的偏导数，表示损失函数在参数空间中的变化方向。对于线性回归，梯度计算如下：
∂J∂w=−1m∑i=1mxi(yi−y^i)∂w∂J=−m1i=1∑mxi(yi−y^i)
∂J∂b=−1m∑i=1m(yi−y^i)∂b∂J=−m1i=1∑m(yi−y^i)
参数更新规则
梯度下降法通过以下规则更新参数 ww 和 bb：
w:=w−α∂J∂ww:=w−α∂w∂J
b:=b−α∂J∂bb:=b−α∂b∂J
其中：
αα是学习率（learning rate），控制每次更新的步长。
梯度下降法的步骤
- 初始化参数：初始化
ww和bb的值（通常设为 0 或随机值）。 - 计算损失函数：计算当前参数下的损失函数值
J(w,b)J(w,b)。 - 计算梯度：计算损失函数对
ww和bb的偏导数。 - 更新参数：根据梯度更新
ww和bb。 - 重复迭代：重复步骤 2 到 4，直到损失函数收敛或达到最大迭代次数。
使用 Python 实现线性回归
下面我们通过一个简单的例子来演示如何使用 Python 实现线性回归。
1、导入必要的库
实例
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression2、生成模拟数据
实例
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
# 生成一些随机数据
np.random.seed(0)
x = 2 * np.random.rand(100, 1)
y = 4 + 3 * x + np.random.randn(100, 1)
# 可视化数据
plt.scatter(x, y)
plt.xlabel('x')
plt.ylabel('y')
plt.title('Generated Data From Runoob')
plt.show()显示如下所示：
3、使用 Scikit-learn 进行线性回归
实例
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
# 生成一些随机数据
np.random.seed(0)
x = 2 * np.random.rand(100, 1)
y = 4 + 3 * x + np.random.randn(100, 1)
# 创建线性回归模型
model = LinearRegression()
# 拟合模型
model.fit(x, y)
# 输出模型的参数
print(f"斜率 (w): {model.coef_[0][0]}")
print(f"截距 (b): {model.intercept_[0]}")
# 预测
y_pred = model.predict(x)
# 可视化拟合结果
plt.scatter(x, y)
plt.plot(x, y_pred, color='red')
plt.xlabel('x')
plt.ylabel('y')
plt.title('Linear Regression Fit')
plt.show()
输出结果：
斜率 (w): 2.968467510701019
截距 (b): 4.222151077447231显示如下所示：
我们可以使用 score() 方法来评估模型性能，返回 R^2 值。
实例
import numpy as np
from sklearn.linear_model import LinearRegression
# 生成一些随机数据
np.random.seed(0)
x = 2 * np.random.rand(100, 1)
y = 4 + 3 * x + np.random.randn(100, 1)
# 创建线性回归模型
model = LinearRegression()
# 拟合模型
model.fit(x, y)
# 计算模型得分
score = model.score(x, y)
print("模型得分:", score)输出结果为：
模型得分: 0.7469629925504755
4、手动实现梯度下降法
实例
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
# 生成一些随机数据
np.random.seed(0)
x = 2 * np.random.rand(100, 1)
y = 4 + 3 * x + np.random.randn(100, 1)
# 初始化参数
w = 0
b = 0
learning_rate = 0.1
n_iterations = 1000
# 梯度下降
for i in range(n_iterations):
y_pred = w * x + b
dw = -(2/len(x)) * np.sum(x * (y - y_pred))
db = -(2/len(x)) * np.sum(y - y_pred)
w = w - learning_rate * dw
b = b - learning_rate * db
# 输出最终参数
print(f"手动实现的斜率 (w): {w}")
print(f"手动实现的截距 (b): {b}")
# 可视化手动实现的拟合结果
y_pred_manual = w * x + b
plt.scatter(x, y)
plt.plot(x, y_pred_manual, color='green')
plt.xlabel('x')
plt.ylabel('y')
plt.title('Manual Gradient Descent Fit')
plt.show()输出结果：
手动实现的斜率 (w): 2.968467510701028 手动实现的截距 (b): 4.222151077447219
显示如下所示：
❤️❤️❤️本人水平有限，如有纰漏，欢迎各位大佬评论批评指正！😄😄😄
💘💘💘如果觉得这篇文对你有帮助的话，也请给个点赞、收藏下吧，非常感谢!👍 👍 👍
🔥🔥🔥Stay Hungry Stay Foolish 道阻且长,行则将至,让我们一起加油吧！🌙🌙🌙
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
