python线性回归模型_Python机器学习/LinearRegression（线性回归模型）（附源码）

LinearRegression（线性回归）

1.线性回归简介

线性回归定义：

我个人的理解就是：线性回归算法就是一个使用线性函数作为模型框架（$y = w*x + b$）、并通过优化算法对训练数据进行训练、最终得出最优（全局最优解或局部最优）参数的过程。

y：我们需要预测的数值；

w：模型的参数（即我们需要通过训练调整的的值）

x：已知的特征值

b：模型的偏移量

我们的目的是通过已知的x和y，通过训练找出合适的参数w和b来模拟x与y之间的关系，并最终通过x来预测y。

分类：

线性回归属于监督学习中的回归算法；

线性回归作为机器学习的入门级算法，很适合刚接触机器学习的新手。虽然线性回归本身比较简单，但是麻雀虽小，五脏俱全，其中涉及到的“线性模型”、“目标函数”、“梯度下降”、“迭代”、“评价准则”等思想与其他复杂的机器学习算法是相通的，深入理解线性回归后可以帮助你更加轻松的学习其他机器学习算法。

2.线性回归模型解析

2.1 线性回归模型示意图

2.2模型的组成部件

2.2.1 假设函数（Hypothesis function）

$h_w(x) = b + w_0x_0 + w_1x_1 + ··· +w_nx_n$

使用向量方式表示：

$X=\begin{bmatrix}

\ x_0

\\ x_1

\\\vdots

\\ x_n

\end{bmatrix},W=\begin{bmatrix}

\ w_0

\\ w_1

\\\vdots

\\ w_n

\end{bmatrix}$

则有：$h_w(x) = W^TX+ b$

2.2.2 损失函数：（Cost function）

这里使用平方差作为模型的代价函数

$J(w) = \frac{1}{2m}\sum_{i=1}^{m}(h_w(x^{(i)}) - y^{(i)})^2$

2.2.3 目标函数：（Goal function）

$minimize(J(w))$

2.2.4 优化算法：(optimization algorithm)

梯度下降法（Gradient descent）

关于梯度下降法这里不详细介绍；

3.使用python实现线性回归算法

1 #-*- coding: utf-8 -*-

2 importnumpy as np3 from matplotlib importpyplot as plt4

5

6 #生成训练使用数据;这里线性函数为 y = 1.5*x + 1.3

7 defdata_generate():8 #随机生成100个数据

9 x = np.random.randn(100)10 theta = 0.5 #误差系数

11 #为数据添加干扰

12 y = 1.5*x + 1.3 + theta*np.random.randn(100)13 returnx,y14

15 classLinearRegression():16 '''

17 线性回归类18 参数：19 alpha:迭代步长20 n_iter:迭代次数21 使用示例：22 lr = LinearRegression() #实例化类23 lr.fit(X_train,y_train) #训练模型24 y_predict = lr.predict(X_test) #预测训练数据25 lr.plotFigure()用于画出样本散点图与预测模型26 '''

27 def __init__(self,alpha=0.02,n_iter=1000):28 self._alpha = alpha #步长

29 self._n_iter = n_iter #最大迭代次数

30

31 #初始化模型参数

32 definitialPara(self):33 #初始化w，b均为0

34 return0,035

36 #训练模型

37 deffit(self,X_train,y_train):38 #保存原始数据

39 self.X_source =X_train.copy()40 self.y_source =y_train.copy()41

42 #获取训练样本个数

43 sample_num =X_train.shape[0]44 #初始化w，w0

45 self._w, self._b =self.initialPara()46

47 #创建列表存放每次每次迭代后的损失值

48 self.cost =[]49

50 #开始训练迭代

51 for _ inrange(self._n_iter):52 y_predict =self.predict(X_train)53 y_bias = y_train -y_predict54 self.cost.append(np.dot(y_bias,y_bias)/(2 *sample_num))55 self._w += self._alpha * np.dot(X_train.T,y_bias)/sample_num56 self._b += self._alpha * np.sum(y_bias)/sample_num57

58 defpredict(self,X_test):59 return self._w * X_test +self._b60

61 #画出样本散点图以及使用模型预测的线条

62 defplotFigure(self):63 #样本散点图

64 plt.scatter(self.X_source,self.y_source,c='r',label="samples",linewidths=0.4)65

66 #模型预测图

67 x1_min =self.X_source.min()68 x1_max =self.X_source.max()69 X_predict = np.arange(x1_min,x1_max,step=0.01)70 plt.legend(loc='upper left')71

72 plt.plot(X_predict,self._w*X_predict+self._b)73 plt.show()74

75 if __name__ == '__main__':76 #创建训练数据

77 x_data,y_data =data_generate()78

79 #使用线性回归类生成模型

80 lr =LinearRegression()81 lr.fit(x_data,y_data)82

83 #打印出参数

84 print(lr._w,lr._b)85 #画出损失值随迭代次数的变化图

86 plt.plot(lr.cost)87 plt.show()88 #画出样本散点图以及模型的预测图

89 lr.plotFigure()90

91 #预测x

92 x = np.array([3])93 print("The input x is{0},then the predict of y is:{1}".format(x,lr.predict(x)))

线性回归代码

更多线性回归的代码参考github：线性回归