- 回归
回归是监督学习的一个重要问题,输入变量X和输出变量Y均为连续变量。回归问题按照X和Y之间关系的类型,分为线性模型和非线性模型;按照输入变量的个数,分为一元回归和多元回归。 线性回归
根据数据的预处理,选定模型的假设空间,即包含所有可能的条件概率分布或决策模型,线性回归的假设空间就是所有这些线性函数构成的函数集合。初始数据经过处理后,可通过直观的图形输出的定性方法分析选择假设空间。import pandas as pd import matplotlib.pyplot as plt path = 'adverdataRaw.csv' data = pd.read_csv(path) x = data[['TV', 'Radio', 'Newspaper']] y = data['Sales'] plt.plot(data['TV'], y, 'r.', label='TV') plt.plot(data['Radio'], y, 'go', label='Radio') plt.plot(data['Newspaper'], y, 'b^', label='Newspaper') plt.legend(loc='lower right') plt.grid() plt.title('adverdataShow') plt.savefig('adverdataShow.png') # 在show之前,否则保存的是一张空白图片 plt.show()
监督学习从训练数据集合中学习模型,对测试数据进行预测。把初始数据进行切割分成训练数据和测试数据时,训练数据和测试数据应当尽可能互斥,即测试数据尽量不要在训练数据中出现,未在训练数据中使用。from sklearn.model_selection import train_test_split x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.3)
线性回归模型求解
基于均方误差最小化来进行模型求解的方法称为“最小二乘法”,它对应了常用的欧几里得距离或简称“欧氏距离”。在线性回归中,最小二乘法是试图找到一条直线,使所有样本到直线上的欧氏距离之和最小。- 对于一元线性回归,模型为:
f(xi)=wxi+b(式1)
根据均方差最小化,有
(x∗,b∗)=argmin(w,b)∑i=1m(f(xi)−yi)2
=argmin(w,b)∑i=1m(yi−wxi−b)2(式2) - 对于多元线性回归,模型为:
f(xi)=wTxi+b(式3)
类似的,可以用最小二乘法来对w和b进行估计,把w和b吸收入向量形式
ŵ =(w;b)
相应的,把数据集为一个m*(d+1)大小的矩阵 X,其中每行对应一个示例,该行前d个元素对应于示例的d个属性值,最后一个元素恒置为1,即
X=⎛⎝⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜x11x21⋮xm1x12x22⋮xm2⋯⋯⋱⋯x1dx2d⋮xmd11⋮1⎞⎠⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟=⎛⎝⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜xT1xT2⋮xTm11⋮1⎞⎠⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟
再把标记也写成向量形式
y=(y1;y2;⋯;ym)
则类似(式2),有
ŵ ∗=argminŵ (y−Xŵ )T(y−Xŵ )(式4)
令
Eŵ =(y−Xŵ )T(y−Xŵ )
对 ŵ 求导得到
(∂Eŵ )(∂ŵ )=2XT(Xŵ −y)(式5)
令上式为零得到 ŵ 最优解的闭式解。
当 XTX 为满秩矩阵或正定矩阵时,令(式5)为零可得
ŵ ∗=(XTX)−1XTy(式6)
其中 (XTX)−1 是 (XTX) 的逆矩阵。令 x̂ i=(xi;1) ,则最终的多元线性回归模型为
f(ŵ i)=x̂ Ti(XTX)−1XTy(式7)
Python的sklearn库已经封装好了线性回归模型,只需要调用即可
from sklearn.linear_model import LinearRegression model = linearRegression.fit(x_train, y_train) # print(model) y_hat = linearRegression.predict(np.array(x_test)) mse = np.average((y_hat - np.array(y_test)) ** 2) # mean squared error rmse = np.sqrt(mse) # root mean squared error t = np.arange(len(x_test)) plt.plot(t, y_test, 'r-', linewidth=2, label='Test') plt.plot(t, y_hat, 'g-', linewidth=2, label='Predict') plt.legend(loc='upper right') plt.grid() plt.title('Test-Preict') plt.savefig('adverdataTP.png') plt.show() print(linearRegression.coef_) # 估计系数 print(linearRegression.intercept_) # 常数项 print('mse=%f, rmse=%f' % (mse, rmse))
定量分析如下(各项系数、常数项、方差&标准差)[ 0.04695205 0.17658644 0.00185115] 2.93721573469 mse=1.928925, rmse=1.388857
- 正则化
式7中多元线性回归模型是在 XTX 为满秩阵或正定阵时求得,然而,现实任务中 XTX 往往不是满秩阵。例如在许多任务中我们会遇到大量的变量,其数目甚至超过样例数,导致 X 的列数多于行数, XTX 显然不是满秩阵。此时可解出多个 ŵ i ,它们都能使均方误差最小化,选择哪一个解作为输出将由算法的归纳偏好决定,常见的做法是引入正则化。
正则化符合奥卡姆剃刀原理。奥卡姆剃刀原理应用于模型选择时变为一下想法:在所有可能选择的模型中,能够很好地解释已知数据并且十分简单才是最好的模型。
令 Θ=(XTX)−1XTy ,则根据(式7)得到模型为
ŷ (Θ)=ΘX̂ (式8)
令 Θ=(XTX+λI)−1XTy , XTX 半正定:对于任意的非零向量 μ
μXTXμ=(Xμ)TXμ(式9)
令 ν=Xμ ,可得 νTν≥0
所以,对于任意的实数 λ>0,XTX+λI 正定,从而可逆,保证公式 Θ=(XTX+λI)−1XTy 有意义。
正则化项可以取不同的形式。在回归问题中,损失函数是平方损失,正则化可以是参数向量的 L2 范数:
L(w)=1N∑i=1N(f(xi;w)−y2i)+λ2∥w∥2(式10)
式10中, ∥w∥ 表示参数向量 w 的 L2 范数
正则化也可以是参数向量的 L1 范数:
L(w)=1N∑i=1N(f(xi;w)−y2i)+∥w∥1(式11)
式11中, ∥w∥1 表示参数向量 w 的 L1 范数
在sklearn库中,LassoCV类封装了L1正则,RidgeCV类封装了L2正则, λ 先设置ndarray,然后让系统筛选出最佳的那个
from sklearn.linear_model import LassoCV, RidgeCV x_train, x_test, y_train, y_test = train_test_split(data_x, data_y, random_state=1) # 数据切割 alpha = np.logspace(-4, 1, 100) lasso_model = LassoCV(alphas=alpha, cv=5) #L1 正则化,且为5折交叉验证 lasso_model.fit(x_train, y_train) lasso_yhat = lasso_model.predict(np.array(x_test)) ridge_model = RidgeCV(alphas=alpha, cv=5) #L2 正则化,且为5折交叉验证 ridge_model.fit(x_train, y_train) ridge_yhat = ridge_model.predict(np.array(x_test)) t = np.arange(len(x_test)) # 图形(定性)分析 plt.plot(t, y_test, linewidth=2, label='Test') plt.plot(t, lasso_yhat, linewidth=2, label='Predict') plt.legend(loc='upper right') plt.title('LassoCV') plt.savefig('LassoCV.png') plt.show() plt.plot(t, y_test, linewidth=2, label='Test') plt.plot(t, ridge_yhat, linewidth=2, label='Predict') plt.legend(loc='upper right') plt.title('RidgeCV') plt.savefig('RidgeCV.png') plt.show() # 定量分析 lasso_mse = np.average((lasso_yhat - np.array(y_test)) ** 2) # 方差 lasso_rmse = np.sqrt(lasso_mse) # 标准差 ridge_mse = np.average((ridge_yhat - np.array(y_test)) ** 2) ridge_rmse = np.sqrt(ridge_mse) print('lasso model各项系数:', lasso_model.coef_, '常数项:', lasso_model.intercept_) # 估计系数 print('lasso_mse:%f, lasso_rmse:%f' % (lasso_mse, lasso_rmse)) print('lasso model alpha:', lasso_model.alpha_) print('ridge model各项系数:', ridge_model.coef_, '常数项:', ridge_model.intercept_) print('ridge model alpha:', ridge_model.alpha_) print('ridge_mse:%f, ridge_rmse:%f' % (ridge_mse, ridge_rmse))
定性分析(图片)
定量分析,根据下面参数,可知Ridge比Lasso好点lasso model各项系数: [ 0.04660234 0.18117916] 常数项: 2.92724792885 lasso_mse:1.926281, lasso_rmse:1.387905 lasso model alpha: 0.0001 ridge model各项系数: [ 0.04660234 0.18117959] 常数项: 2.92723733246 ridge model alpha: 0.0001 ridge_mse:1.926276, ridge_rmse:1.387903
- 参考书籍
[1] 李航.统计学习方法
[2] 周志华.机器学习
- 数据参考
Advertising.csv
- 对于一元线性回归,模型为:
线性回归
最新推荐文章于 2022-09-05 13:48:44 发布