线性模型
1.用于回归的线性模型
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import mglearn
mglearn.plots.plot_linear_regression_wave()
w[0]: 0.393906 b: -0.031804线性模型对wave数据集的预测结果
用于回归的线性模型可以表示为这样的回归模型:对单一特征的预测结果是一条直线,两个特征时是一个平面,或者在更高维度(即更多特征)时是一个超平面。
2. 线性回归(普通最小二乘法)
线性回归寻找参数w和b,使得对训练集的预测值与真实的回归目标值y之间的均方误差最小。
均方误差是预测值与真实值之差的平方和初一样本数。
线性回归没有参数,这是一个优点,但也因此无法控制模型的复杂度。
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
X,y = mglearn.datasets.make_wave(n_samples=60)
X_train,X_test,y_train,y_test = train_test_split(X,y,random_state=42)
lr = LinearRegression().fit(X_train,y_train)
“斜率”参数(w,也叫作权重或系数)被保存在coef_属性中,而偏移或截距(b)被保存在intercept_属性中:
print("lr.coef_:{}".format(lr.coef_))
print("lr.intercept_:{}".format(lr.intercept_))
lr.coef_:[0.39390555]
lr.intercept_:-0.031804343026759746
#查看训练集和测试集的性能:
print("Trainning set score:{:.2f}".format(lr.score(X_train,y_train)))
print("Test set score:{:.2f}".format(lr.score(X_test,y_test)))
Trainning set score:0.67
Test set score:0.66
看一下LinearRegression在更复杂的数据集上的表现,比如波士顿房价数据集。
X,y = mglearn.datasets.load_extended_boston()
X_train,X_test,y_train,y_test = train_test_split(X,y,random_state=0)
lr = LinearRegression().fit(X_train,y_train)
print("Trainning set score:{:.2f}".format(lr.score(X_train,y_train)))
print("Test set score:{:.2f}".format(lr.score(X_test,y_test)))
Trainning set score:0.95
Test set score:0.61
比较一下训练集和测试集的分数就可以发现,我们在训练集上的预测非常准确,但在测试集上的R2要低很多。
训练集和测试集之间的性能差异是过拟合的明显标识。因此我们应该试图找到一个可以控制复杂度的模型。标准线性回归最常用的替代方法之一就是岭回归。
3. 岭回归
岭回归也是一种用于回归的线性模型,因此它的预测公式与普通最小二乘法相同。但在岭回归中,对系数(w)的选择不仅要在训练数据上得到好的预测结果,而且还要拟合附加约束。我们还希望系数尽量小。换句话说,w的所有元素都应接近于0.直观上来看,这意味着每个特征对输出的影响应尽可能小(即斜率很小),同时仍给出很好的预测结果。这种约束是所谓正则化(regularization)的一个例子。正则化是指对模型做显式约束,以避免过拟合。岭回归用到的这种被称为L2正则化。
'''岭回归在linear_model.Ridge中实现。对扩展的波士顿房价数据集的效果:'''
from sklearn.linear_model import Ridge
ridge = Ridge().fit(X_train,y_train)
print("Trainning set score:{:.2f}".format(ridge.score(X_train,y_train)))
print("Test set score:{:.2f}".format(ridge.score(X_test,y_test)))
Trainning set score:0.89
Test set score:0.75
Ridge在训练集上的分数要低于LinearRegression,但在测试集上的分数更高。这与我们的预期一致,线性回归对数据存在过拟合。Ridge是一种约束更强的模型,所以更不容易过拟合。复杂度更小的模型意味着在训练集上的性能更差,但泛化性能更好。由于我们只对泛化性能感兴趣,所以应该选择Ridge模型而不是LinearRegression模型。
Ridge模型在模型的简单性(系数都接近于0)与训练集性能之间做出权衡。简单性和训练集性能二者对于模型的重要程度可以由用户通过设置alpha参数来指定。在前面例子中,我们用的是默认参数alpha=1.0,但没有理由认为这会给出最佳权衡。alpha的最佳设定值取决于用到的具体数据集。增大alpha会使得系数更加趋向于0,从而降低训练集性能,但可能会提高泛化性能。例如:
ridge10 = Ridge(alpha=10).fit(X_train,y_train)
print("Trainning set score:{:.2f}".format(ridge10.score(X_train,y_train)))
print("Test set score:{:.2f}".format(ridge10.score(X_test,y_test)))
Trainning set score:0.79
Test set score:0.64
减小alpha可以让系数受到的限制更小。对于非常小的alpha值,系数几乎没有受到限制,我们得到一个与LinearRegression类似的模型:
ridge01 = Ridge(alpha=0.1).fit(X_train,y_train)
print("Trainning set score:{:.2f}".format(ridge01.score(X_train,y_train)))
print("Test set score:{:.2f}".format(ridge01.sc