======================================================================
本系列博客主要参考 Scikit-Learn 官方网站上的每一个算法进行,并进行部分翻译,如有错误,请大家指正
结果显示为:
本系列博客主要参考 Scikit-Learn 官方网站上的每一个算法进行,并进行部分翻译,如有错误,请大家指正
======================================================================
另外一篇基于《机器学习实战》的Logistic回归分析的博客请参考:点击阅读,其主要是采用Python代码实现回归模型
还有一篇是纯实战案例博客请参考 ,Logistic回归模型案例实战:《机器学习实战》Logistic回归算法(2)
目录:
1、概念
2、简单线性回归(Simple Liner Regession)
3、多元性回归(Mutiple Regession)
4、非线性回归(Logistic Regession)
一:概念
1:集中趋势衡量
1.1均值(平均值,平均数)(mean)
1.2中位数(median):将数据中的所有数按大小排列顺序,位于中间的拿个书就是中位数
个数为奇数,取中间值
个数为偶数,取中间两个数的平均值
1.3众数:数据中出现最多的数
2:离散程度的衡量
2.1方差(variance)
2.2标准差(standard deviation)
3:回归中的相关度
3.1:皮尔逊相关度
衡量两个相关强度的量,取值范围是[-1,1],计算公式为:
4:R平方值
决定系数(可决系数,拟合优度),反应因变量的全部变异能通过回归关系被自变量解释的比例,取值范围[0,1],可决系数越大,说明在总变差中由模型作出了解释的部分占的比重越大,模型拟合优度越好。反之可决系数小,说明模型对样本观测值的拟合程度越差。
描述:如R平方为0.8,则表示回归关系可以解释因变量80%的变异,换句话说,如果我们能控制自变量不变,则因变量变异程度将会减少80%
对于 简单线性回归来说,R^2= r * r
对于多元线性回归来说,
SSR表示由模型引起的误差平方和,SST表示由实际值引起的差值平方和
R平方也有局限性,会随着自变量的增大而增大
一个关于相关系数的BBS:http://bbs.pinggu.org/thread-3034786-1-1.html
5:皮尔逊相关系数和R平方值计算示例
#coding:utf-8
'''
Created on 2015年11月8日
@author: Administrator
'''
import numpy as np
import math
#求解皮尔逊相关系数
def computeCorrelation(X, Y):
xBar = np.mean(X)
yBar = np.mean(Y)
SSR = 0
varX = 0
varY = 0
for i in range(0, len(X)):
#对应分子部分
diffXXBar = X[i] - xBar
diffYYBar = Y[i] - yBar
SSR +=(diffXXBar * diffYYBar)
#对应分母求和部分
varX += diffXXBar**2
varY += diffYYBar**2
SST = math.sqrt(varX * varY)
return SSR/SST
def polyfit(x, y, degree):
results = {}
#coeffs 为相关系数,x自变量,y因变量,degree为最高幂
coeffs = np.polyfit(x, y, degree)
#定义一个字典存放值,值为相关系数list
results['polynomial'] = coeffs.tolist()
#p相当于直线方程
p = np.poly1d(coeffs)
yhat = p(x) #传入x,计算预测值为yhat
ybar = np.sum(y)/len(y) #计算均值
#对应公式
ssreg = np.sum((yhat - ybar) ** 2)
sstot = np.sum((y - ybar) ** 2)
results['determination'] = ssreg / sstot
print" results :",results
return results
testX = [1, 3, 8, 7, 9]
testY = [10, 12, 24, 21, 34]
#输出的是简单线性回归的皮尔逊相关度和R平方值
print "r : ",computeCorrelation(testX, testY)
print "r^2 : ",str(computeCorrelation(testX, testY)**2)
#
print polyfit(testX, testY, 1)["determination"]
结果显示为:
二:简单线性回归
1:回归与分类的区别
回归(regession):Y变量为连续型数值,如房价,人数,降雨量
分类(classification):Y变量为类别型,如颜色类别,电脑品牌,有无信誉
2:简单线性回归介绍
回归分析:是指建立方程模拟两个或者多个变量之间如何关联
回归模型:是指被用来描述因变量(y)和自变量(x)以及偏差(error)之间的关系的方程,函数表示为:
简单线性回归方程:模型转变为即为回归方程(类似于一条直线,参数为斜率和y轴的交点)
线性关系包含:正相关,负相关,无关
估计线性方程:
关于偏差:
3:简单线性回归示例
<span style="font-family:Microsoft YaHei;"><span style="font-size:18px;">#coding:utf8
'''
Created on 2016年4月24日
@author: Gamer Think
'''
#Simple Regession
import numpy as np
#周广告播放数量
x = [1,3,2,1,3]
#周汽车销售数据
y = [14,24,18,17,27]
#使用最小二乘法
def fitSLR(x,y):
n = len(x)
denominator = 0
numerator = 0
for i in range(0,n):
numerator += (x[i]-np.mean(x)* (y[i]-np.mean(y)) )
denominator += (x[i]-np.mean(x))**2
print "denominator:",denominator
print "numerator:",numerator
b1 = numerator/float(denominator)
# b0 = np.mean(y)/float(np.mean(x))
b0 = np.mean(y)-b1*np.mean(x)
return b0,b1
def predict(b0,b1,x):
return b0+b1*x
b0,b1 = fitSLR(x,y)
x_test = 6
print "y_test:",predict(b0,b1,x_test)</span></span>
三:多元性回归
1:多元回归简介
与简单线性回归的区别:有多个变量x
多元回归模型:
多元回归方程:
估计多元回归方程:(y变成y_hat,即求得是估计值)
估计方法:
2:多元线性回归示例
我们需要的数据是第二,三,四列的数据
<span style="font-family:Microsoft YaHei;"><span style="font-size:18px;">#coding:utf-8
'''
Created on 2016年4月24日
@author: Gamer Think
'''
from sklearn import linear_model
import numpy as np
from numpy import genfromtxt #可以将非array格式的list转化为array
datapath = "data.csv"
deliverData = genfromtxt(datapath,delimiter=",") #将csv文件转化为numpy.array格式
print "data:",deliverData
X= deliverData[:,:-1]
Y = deliverData[:,-1]
print "X:",X
print "Y:",Y
regr = linear_model.LinearRegression()
regr.fit(X,Y)
print "coefficients:",regr.coef_ #与X结合的值
print "intercept:",regr.intercept_ #类似于截距
x_pre = [102,6]
y_pre = regr.predict(x_pre)
print "Y-Predict:",y_pre
</span></span>
3:如果自变量中有分类型变量(categorical data),如何处理?
e g:
首先将分类型变量进行转化为如下形式(第四五六列表示0,1,2,为1表示使用该型号车)
调用的代码其实和上边的是一样的:
<span style="font-family:Microsoft YaHei;"><span style="font-family:Microsoft YaHei;font-size:18px;">#coding:utf-8
'''
Created on 2016年4月24日
@author: Gamer Think
'''
from numpy import genfromtxt
import numpy as np
from sklearn import datasets, linear_model
dataPath = "dataDumpy.csv"
deleveryData = genfromtxt(dataPath, delimiter=',')
print "data:\n",deleveryData
X = deleveryData[:, :-1]
Y = deleveryData[:, -1]
print "X: ",X
print "Y: ",Y
regr = linear_model.LinearRegression()
regr.fit(X, Y)
print "Coefficients:",regr.coef_ #与X结合的值
print "Intercept:",regr.intercept_ #类似于截距
#
xPred = [102,6,0,0,1]
yPred = regr.predict(xPred)
print "predict y : ",yPred</span></span>
4:关于误差
四:非线性回归
非线性回归又称为逻辑回归
1:概率
对一件事情发生可能性的衡量,取值范围是0~1,计算方法包括,个人置信,历史数据,模拟数据
条件概率:
非线性回归实例:
<span style="font-family:Microsoft YaHei;"><span style="font-size:18px;">#coding:utf-8
'''
Created on 2016年4月24日
@author: Gamer Think
'''
import numpy as np
import random
'''
梯度下降算法
参数说明:X,Y
theta:一组向量和x相乘的一组值
alpha:梯度下降时的参数,即每一步下降多少
m:实例的个数
numIteration:迭代计算的次数,可以理解为梯度下降多少步
'''
def gradientDescent(X,Y,theta,alpha,m,numIteration):
x_trains = X.transpose() #X的转置矩阵
for i in range(0,numIteration):
hypothesis = np.dot(X,theta) #内积形式,X与theta的乘积 ,求出y的估计值
loss = hypothesis - Y #估计值与真实值之间的差
#通用的梯度下降算法,和logistic Regession中所描述的cost函数不一致
cos = np.sum(loss**2)/(2*m)
print "Iteration %d | Cost:%f" % (i,cos)
gradient = np.dot(x_trains,loss)/m
theta = theta - alpha*gradient
return theta
'''
numPoints : 点的个数
bias :偏好ֵ
variance : 统计学概念, 偏差和
产生样本点和对应的标签
'''
def genData(numPoints,bias,variance):
X = np.zeros(shape=(numPoints,2)) #归类的数据
Y = np.zeros(shape=numPoints) #归类的标签
for i in range(0,numPoints): #从0~len(numPoints)-1执行如下
X[i][0] = 1
X[i][1] = i
#制造target数据
Y[i] = (i+bias) + random.uniform(0,1)*variance
return X,Y
X,Y = genData(100, 25, 10)
# print "X:",X
# print "Y:",Y
m, n = np.shape(X)
n_y = np.shape(Y)
# print "x shape :", m, " ", n
# print "y length :",n_y
numIterations =100000
alpha = 0.0005
theta = np.ones(n)
theta = gradientDescent(X, Y, theta, alpha, m, numIterations)
print "theta: " ,theta
</span></span>
点击 进入个人在有道云笔记的回归分析相关,感兴趣的可以看一下