一、线性回归
1.概念
线性回归,能够用一个直线较为精确地描述数据之间的关系。这样当出现新的数据的时候,就能够预测出一个合理的值
如下图,平面中存在200个样本,需找出一条合理的直线对其进行拟合
通过线性回归,拟合直线效果如下
在上述二维平面中,需要做的就是找出一条最佳拟合直线方程,形式如下:
h(x)=w0x0+w1x1(通常x0为1)∴直线表达式为=>h(x)=w0+w1x1\begin{aligned}
h(x) & = w_{0}x_{0}+w_{1}x_{1}{(通常x_{0}为1)}\\{\therefore 直线表达式为=>}h(x)& = w_{0}+w_{1}x_{1}
\end{aligned}h(x)∴直线表达式为=>h(x)=w0x0+w1x1(通常x0为1)=w0+w1x1
通过不同的算法求解w0,w1w_{0},w_{1}w0,w1得到直线方程,x0x_{0}x0代表第一个特征值,x1x_{1}x1代表第二个特征值
实际中,若舍去特征值x0x_{0}x0, 则得到的直线恒过原点,而为了使直线拟合度更高,加入了常数项w0w_{0}w0, 相当于y=kx+by=kx+by=kx+b中的bbb,为了方便与w0,w1w_{0},w_{1}w0,w1相乘相加,x0x_{0}x0是人为添加的,且恒为1,直线可以看成y=kx+b∗1=>h=w0+w1x1y=kx+b*1=>h= w_{0}+w_{1}x_{1}y=kx+b∗1=>h=w0+w1x1
由此可得,在一般情况下,样本可能具有n个特征值,x1,x2,...,xnx_{1},x_{2},...,x_{n}x1,x2,...,xn,加入常数项x0=1x_{0}=1x0=1,则需求解的超平面方程如下:
h(x)=w0x0+w1x1+w2x2+...+wnxn(通常x0为1)\begin{aligned}
h(x)& = w_{0}x_{0}+w_{1}x_{1}+w_{2}x_{2}+...+w_{n}x_{n}{(通常x_{0}为1)}
\end{aligned}h(x)=w0x0+w1x1+w2x2+...+wnxn(通常x0为1)
需求解w0,w1x,w2,..wnw_{0},w_{1}x,w_{2},..w_{n}w0,w1x,w2,..wn的值以确定该方程。
为了方便表示该方程,设w参数向量为
wT=[w0w1w2...wn]\mathbf{w^{T}}=\begin{bmatrix}
w_{0}&w_{1}
&w_{2}
&...&w_{n}
\end{bmatrix}wT=[w0w1w2...wn]
样本特征值为:
xT=[x0x1x2...xn](x0=1)\mathbf{x^{T}}=\begin{bmatrix}
x_{0}&x_{1}
&x_{2}
&...&x_{n}
\end{bmatrix}{(x_{0}=1)}xT=[x0x1x2...xn](x0=1)
h(x)h(x)h(x)可表示为:
h(x)=wTxh(\mathbf{x})=\mathbf{w^{T}x}h(x)=wTx
目标: 求解w\mathbf{w}w向量的最优解
2.损失函数
通过建立一个损失函数来衡量估计值和实际之间的误差的大小,将最小化损失函数作为一个约束条件来求出参数向量的最优解。
样本集为:
X=[x10x20...xm0x11x21...xm1............x1nx2n...xmn]\mathbf{X}
=\begin{bmatrix}
x_{10}&x_{20}&...&x_{m0}\\
x_{11}&x_{21}&...&x_{m1}\\
...&...&...&...\\
x_{1n}&x_{2n}&...&x_{mn}
\end{bmatrix}X=⎣⎢⎢⎡x10x11...x1nx20x21...x2n............xm0xm1...xmn⎦⎥⎥⎤
mmm为样本数量,nnn为特征值数量
单个样本向量可以如下
x1=[x10x11...x1n],x2=[x20x21...x2n],...,xm=[xm0xm1...xmn]\mathbf{x^{1}}=\begin{bmatrix}
x_{10}\\x_{11}\\...\\x_{1n}\\
\end{bmatrix},\mathbf{x^{2}}=\begin{bmatrix}
x_{20}\\x_{21}\\...\\x_{2n}\\
\end{bmatrix},...,\mathbf{x^{m}}=\begin{bmatrix}
x_{m0}\\x_{m1}\\...\\x_{mn}\\
\end{bmatrix}x1=⎣⎢⎢⎡x10x11...x1n⎦⎥⎥⎤,x2=⎣⎢⎢⎡x20x21...x2n⎦⎥⎥⎤,...,xm=⎣⎢⎢⎡xm0xm1...xmn⎦⎥⎥⎤
第i个样本向量如下:
xi=[xi0xi1...xin]\mathbf{x^{i}}=\begin{bmatrix}
x_{i0}\\x_{i1}\\...\\x_{in}\\
\end{bmatrix}xi=⎣⎢⎢⎡xi0xi1...xin⎦⎥⎥⎤
第i个样本的预测值为:
h(xi)=wTxih(\mathbf{x^{i}})=\mathbf{w^{T}x^{i}}h(xi)=wTxi
损失函数如下:
J(w)=12m∑i=1m(wTx−yi)2=12m∑i=1m(h(xi)−yi)2求minJ(w)\begin{aligned}
J(\mathbf{w}) &= \frac{1}{2m}\sum_{i = 1}^{m}(\mathbf{w^{T}x}-y^{i})^{2}\\
&=\frac{1}{2m}\sum_{i = 1}^{m}(h(\mathbf{x^{i}})-y^{i})^{2}\\\\{求}&\min J(\mathbf{w})
\end{aligned}J(w)求=2m1i=1∑m(wTx−yi)2=2m1i=1∑m(h(xi)−yi)2minJ(w)
yiy^{i}yi为某一个样本的实际值,h(xi)h(\mathbf{x^{i}})h(xi)为预测值,J(w)J(\mathbf{w})J(w)函数即为误差的平方和,求当J(w)J(\mathbf{w})J(w)取最小时,w\mathbf{w}w(参数向量)的值,12\frac{1}{2}21为常数项对最小值无影响,方便后续求导
二、最小二乘法
为了方便计算,对样本集特征矩阵X,参数向量w,以及y向量做以下规定:
样本集特征矩阵X
X=[x10x11x12...x1nx20x21x22...x2n...............xm0xm1xm2...xmn]Xi=[xi0xi1xi2...xin]\begin{aligned}
\mathbf{X} & = \begin{bmatrix}
x_{10}&x_{11}&x_{12}&...&x_{1n}\\
x_{20}&x_{21}&x_{22}&...&x_{2n}\\
...&...&...&...&...\\
x_{m0}&x_{m1}&x_{m2}&...&x_{mn}\\
\end{bmatrix}\\\\\mathbf{X^{i}} &= \begin{bmatrix}
x_{i0}&x_{i1}&x_{i2}&...&x_{in}
\end{bmatrix}
\end{aligned}XXi=⎣⎢⎢⎡x10x20...xm0x11x21...xm1x12x22...xm2............x1nx2n...xmn⎦⎥⎥⎤=[xi0xi1xi2...xin]
参数向量w:
W=[w0w1w2...wn]\mathbf{W}=\begin{bmatrix}
w_{0}\\w_{1}
\\w_{2}
\\...\\w_{n}
\end{bmatrix}W=⎣⎢⎢⎢⎢⎡w0w1w2...wn⎦⎥⎥⎥⎥⎤
XW矩阵相乘:
XW=[h1h2h3...hm]\mathbf{XW}=
\begin{bmatrix}
h_{1} \\
h_{2}\\
h_{3}\\...\\
h_{m}
\end{bmatrix}XW=⎣⎢⎢⎢⎢⎡h1h2h3...hm⎦⎥⎥⎥⎥⎤
hih_{i}hi为第i个样本预测值
y向量:
Y=[y1y2y3...ym]\mathbf{Y}=\begin{bmatrix}
y_{1}\\y_{2}
\\y_{3}
\\...\\y_{m}
\end{bmatrix}Y=⎣⎢⎢⎢⎢⎡y1y2y3...ym⎦⎥⎥⎥⎥⎤
yiy_{i}yi为样本实际值
损失函数:J(w)=∑i=1m(h(xi)−yi)2\begin{aligned}
J(\mathbf{w}) =\sum_{i = 1}^{m}(h(\mathbf{x^{i}})-y^{i})^{2}
\end{aligned}J(w)=i=1∑m(h(xi)−yi)2
可以表示为:J(W)=(Y−XW)T(Y−XW):J(\mathbf{W})=(\mathbf{Y}-\mathbf{XW})^{T}(\mathbf{Y}-\mathbf{XW}):J(W)=(Y−XW)T(Y−XW)
对W\mathbf{W}W求导得:
∂J(W)∂W=−2XTY+2XTXW\frac{\partial J(\mathbf{W})}{\partial \mathbf{W}} =-2\mathbf{X^{T}Y}+2\mathbf{X^{T}XW}∂W∂J(W)=−2XTY+2XTXW
令:∂J(W)∂W=−2XTY+2XTXW=0\frac{\partial J(\mathbf{W})}{\partial \mathbf{W}} =-2\mathbf{X^{T}Y}+2\mathbf{X^{T}XW}=0∂W∂J(W)=−2XTY+2XTXW=0
相当于对J(W)中,分别对w0,w1,w2,…,wn求偏导,令偏导等于0,解出w0,w1,w2…,wn
解得:W=(XTX)−1XY\mathbf{W}=(\mathbf{X^{T}X})^{-1}\mathbf{X}\mathbf{Y}W=(XTX)−1XY
即求得最优参数向量W
三、梯度下降法
使用最小二乘法效率可能比较低,需解出n(特征值数量)个方程,可使用梯度下降法,对w参数向量进行迭达
梯度下降:沿着增长最快的相反方向,移动α\alphaα 的步长,即逐步递减值最低值,迭代公式如下
w=w−α∇f\large w=w-\alpha \nabla {f}w=w−α∇f
∇f\nabla {f}∇f表示增长最快的方向,使用减号表示递减(梯度下降),若加表示递增(梯度上升)
使用梯度下降(或上升)时,一般给定w一个初始值,再通过不断迭代得到最优值
此时即需求J(w)J(\mathbf{w})J(w)的梯度, 需分别对对wiw_{i}wi求偏导
∇f=[∂J(w)∂w0∂J(w)∂w1∂J(w)∂w2...∂J(w)∂wn]\large \nabla {f}=\begin{bmatrix}
\frac{\partial\mathrm J(\mathbf{w})}{\partial w_{0}}\\
\frac{\partial\mathrm J(\mathbf{w})}{\partial w_{1}}\\
\frac{\partial\mathrm J(\mathbf{w})}{\partial w_{2}}\\
...\\
\frac{\partial\mathrm J(\mathbf{w})}{\partial w_{n}}\\
\end{bmatrix}∇f=⎣⎢⎢⎢⎢⎢⎢⎢⎡∂w0∂J(w)∂w1∂J(w)∂w2∂J(w)...∂wn∂J(w)⎦⎥⎥⎥⎥⎥⎥⎥⎤
通过对对损失函数J(w)J(\mathbf w)J(w)求偏导后(参考梯度上升),梯度可以表示为:
∇f=−1m[∑i=1m(yi−h(wTxi))xi0∑i=1m(yi−h(wTxi))xi1∑i=1m(yi−h(wTxi))xi2......∑i=1m(yi−h(wTxi))xin]\large \nabla {f}=-\frac{1}{m} \begin{bmatrix}
\sum_{i=1}^{m}(y_{i}-h(\mathbf{w^{T}x_{i}}))x_{i0}\\
\sum_{i=1}^{m}(y_{i}-h(\mathbf{w^{T}x_{i}}))x_{i1}\\
\sum_{i=1}^{m}(y_{i}-h(\mathbf{w^{T}x_{i}}))x_{i2}\\
......\\
\sum_{i=1}^{m}(y_{i}-h(\mathbf{w^{T}x_{i}}))x_{in}\\
\end{bmatrix}∇f=−m1⎣⎢⎢⎢⎢⎢⎢⎡∑i=1m(yi−h(wTxi))xi0∑i=1m(yi−h(wTxi))xi1∑i=1m(yi−h(wTxi))xi2......∑i=1m(yi−h(wTxi))xin⎦⎥⎥⎥⎥⎥⎥⎤
所以代入原方程,
梯度上升算法的迭代过程:α\alphaα 为步长 (α>0)(\alpha >0)(α>0)
w=w−α∇f=[w0w1w2...wn]+α1m[∑i=1m(yi−h(wTxi))xi0∑i=1m(yi−h(wTxi))xi1∑i=1m(yi−h(wTxi))xi2......∑i=1m(yi−h(wTxi))xin]\begin{aligned}
\mathbf{w} &=\mathbf{w} -\alpha \nabla f\\\\&=\begin{bmatrix}
w_{0}\\
w_{1}\\
w_{2}\\...\\w_{n}
\end{bmatrix}+\alpha \frac{1}{m}\begin{bmatrix}
\sum_{i=1}^{m}(y_{i}-h(\mathbf{w^{T}x_{i}}))x_{i0}\\
\sum_{i=1}^{m}(y_{i}-h(\mathbf{w^{T}x_{i}}))x_{i1}\\
\sum_{i=1}^{m}(y_{i}-h(\mathbf{w^{T}x_{i}}))x_{i2}\\
......\\
\sum_{i=1}^{m}(y_{i}-h(\mathbf{w^{T}x_{i}}))x_{in}\\
\end{bmatrix}
\end{aligned}w=w−α∇f=⎣⎢⎢⎢⎢⎡w0w1w2...wn⎦⎥⎥⎥⎥⎤+αm1⎣⎢⎢⎢⎢⎡∑i=1m(yi−h(wTxi))xi0∑i=1m(yi−h(wTxi))xi1∑i=1m(yi−h(wTxi))xi2......∑i=1m(yi−h(wTxi))xin⎦⎥⎥⎥⎥⎤
经过上述不断迭代的过程,最终得到一个合适的w\mathbf{w}w参数
四、代码
import numpy as np
#from matplotlib import pyplot as plt
def load_datas(filename):
with open(filename, 'r') as fr:
data_mat=[]
data_labels=[]
for line in fr:
curr_line=line.strip().split('\t')
data_mat.append(list(map(float, curr_line[:-1])))
data_labels.append(float(curr_line[-1]))
return np.mat(data_mat), np.mat(data_labels)
def get_weights0(datas, labels):
"""
最小二乘法
:param datas:
:param labels:
:return:weights
"""
xTx=datas.T*datas
if(np.linalg.det(xTx)!=0.0):
weights=xTx.I*datas.T*labels.T
return weights
return None
def get_weights1(datas, y_labels, alpha=1, r=300):
"""
梯度下降法
:param datas:
:param labels:
:return:weights
"""
shape = datas.shape
weights=np.ones((shape[1], 1))
for i in range(r):
err = y_labels-datas*weights
weights=weights+(alpha/shape[0])*datas.T*err
return weights
print('最小二乘法')
data_mat, data_labels = load_datas('ex1.txt')
weights=get_weights0(data_mat, data_labels)
print(weights)
print('梯度下降法')
weights=get_weights1(data_mat, data_labels.T)
print(weights)
本文地址:https://blog.csdn.net/weixin_42582355/article/details/107548744
如您对本文有疑问或者有任何想说的,请点击进行留言回复,万千网友为您解惑!