python 多元回归参数输出_scikit-learn线性回归，多元回归，多项式回归的实现

匹萨的直径与价格的数据

%matplotlib inline

import matplotlib.pyplot as plt

def runplt():

plt.figure()

plt.title(u'diameter-cost curver')

plt.xlabel(u'diameter')

plt.ylabel(u'cost')

plt.axis([0, 25, 0, 25])

plt.grid(True)

return plt

plt = runplt()

X = [[6], [8], [10], [14], [18]]

y = [[7], [9], [13], [17.5], [18]]

plt.plot(X, y, 'k.')

plt.show()

训练模型

from sklearn.linear_model import LinearRegression

import numpy as np

# 创建并拟合模型

model = LinearRegression()

model.fit(X, y)

print('预测一张12英寸匹萨价格：$%.2f' % model.predict(np.array([12]).reshape(-1, 1))[0])

预测一张12英寸匹萨价格：$13.68

一元线性回归假设解释变量和响应变量之间存在线性关系；这个线性模型所构成的空间是一个超平面（hyperplane）。

超平面是n维欧氏空间中余维度等于一的线性子空间，如平面中的直线、空间中的平面等，总比包含它的空间少一维。

在一元线性回归中，一个维度是响应变量，另一个维度是解释变量，总共两维。因此，其超平面只有一维，就是一条线。

上述代码中sklearn.linear_model.LinearRegression类是一个估计器（estimator）。估计器依据观测值来预测结果。在scikit-learn里面，所有的估计器都带有:

- fit()

- predict()

fit()用来分析模型参数，predict()是通过fit()算出的模型参数构成的模型，对解释变量进行预测获得的值。

因为所有的估计器都有这两种方法，所有scikit-learn很容易实验不同的模型。

一元线性回归模型：

y=α+βx

一元线性回归拟合模型的参数估计常用方法是:

- 普通最小二乘法（ordinary least squares ）

- 线性最小二乘法（linear least squares）

首先，我们定义出拟合成本函数，然后对参数进行数理统计。

plt = runplt()

plt.plot(X, y, 'k.')

X2 = [[0], [10], [14], [25]]

model = LinearRegression()

model.fit(X, y)

y2 = model.predict(X2)

plt.plot(X, y, 'k.')

plt.plot(X2, y2, 'g-')

plt.show()

plt = runplt()

plt.plot(X, y, 'k.')

y3 = [14.25, 14.25, 14.25, 14.25]

y4 = y2 * 0.5 + 5

model.fit(X[1:-1], y[1:-1])

y5 = model.predict(X2)

plt.plot(X, y, 'k.')

plt.plot(X2, y2, 'g-.')

plt.plot(X2, y3, 'r-.')

plt.plot(X2, y4, 'y-.')

plt.plot(X2, y5, 'o-')

plt.show()

成本函数（cost function）也叫损失函数（loss function），用来定义模型与观测值的误差。模型预测的价格与训练集数据的差异称为残差（residuals）或训练误差（training errors）。后面我们会用模型计算测试集，那时模型预测的价格与测试集数据的差异称为预测误差（prediction errors）或训练误差（test errors）。

模型的残差是训练样本点与线性回归模型的纵向距离，如下图所示：

plt = runplt()

plt.plot(X, y, 'k.')

X2 = [[0], [10], [14], [25]]

model = LinearRegression()

model.fit(X, y)

y2 = model.predict(X2)

plt.plot(X, y, 'k.')

plt.plot(X2, y2, 'g-')

# 残差预测值

yr = model.predict(X)

for idx, x in enumerate(X):

plt.plot([x, x], [y[idx], yr[idx]], 'r-')

plt.show()

我们可以通过残差之和最小化实现最佳拟合，也就是说模型预测的值与训练集的数据最接近就是最佳拟合。对模型的拟合度进行评估的函数称为残差平方和（residual sum of squares）成本函数。就是让所有训练数据与模型的残差的平方之和最小化，如下所示：

其中， yi 是观测值， f(xi)f(xi) 是预测值。

import numpy as np

print('残差平方和: %.2f' % np.mean((model.predict(X) - y) ** 2))

残差平方和: 1.75

解一元线性回归的最小二乘法

通过成本函数最小化获得参数，我们先求相关系数 ββ 。按照频率论的观点，我们首先需要计算 xx 的方差和 xx 与 yy 的协方差。

方差是用来衡量样本分散程度的。如果样本全部相等，那么方差为0。方差越小，表示样本越集中，反正则样本越分散。方差计算公式如下：

Numpy里面有var方法可以直接计算方差，ddof参数是贝塞尔(无偏估计)校正系数（Bessel's correction），设置为1，可得样本方差无偏估计量。

print(np.var([6, 8, 10, 14, 18], ddof=1))

23.2

协方差表示两个变量的总体的变化趋势。如果两个变量的变化趋势一致，也就是说如果其中一个大于自身的期望值，另外一个也大于自身的期望值，那么两个变量之间的协方差就是正值。 如果两个变量的变化趋势相反，即其中一个大于自身的期望值，另外一个却小于自身的期望值，那么两个变量之间的协方差就是负值。如果两个变量不相关，则协方差为0，变量线性无关不表示一定没有其他相关性。协方差公式如下：

其中， x¯是直径 x的均值， xi的训练集的第 i个直径样本， y¯是价格y的均值， yi的训练集的第i个价格样本， n是样本数量。Numpy里面有cov方法可以直接计算方差。

import numpy as np

print(np.cov([6, 8, 10, 14, 18], [7, 9, 13, 17.5, 18])[0][1])

22.65

现在有了方差和协方差，就可以计算相关系统 β 了。

算出β后，我们就可以计算α了：

将前面的数据带入公式就可以求出α了：

模型评估

前面我们用学习算法对训练集进行估计，得出了模型的参数。有些度量方法可以用来评估预测效果，我们用R方（r-squared）评估匹萨价格预测的效果。R方也叫确定系数（coefficient of determination），表示模型对现实数据拟合的程度。计算R方的方法有几种。一元线性回归中R方等于皮尔逊积矩相关系数（Pearson product moment correlation coefficient或Pearson's r）的平方。种方法计算的R方一定介于0～1之间的正数。其他计算方法，包括scikit-learn中的方法，不是用皮尔逊积矩相关系数的平方计算的，因此当模型拟合效果很差的时候R方会是负值。下面我们用scikit-learn方法来计算R方。

R方是0.6620说明测试集里面过半数的价格都可以通过模型解释。现在，让我们用scikit-learn来验证一下。LinearRegression的score方法可以计算R方：

# 测试集

X_test = [[8], [9], [11], [16], [12]]

y_test = [[11], [8.5], [15], [18], [11]]

model = LinearRegression()

model.fit(X, y)

model.score(X_test, y_test)

0.66200528638545164

多元回归

from sklearn.linear_model import LinearRegression

X = [[6, 2], [8, 1], [10, 0], [14, 2], [18, 0]]

y = [[7], [9], [13], [17.5], [18]]

model = LinearRegression()

model.fit(X, y)

X_test = [[8, 2], [9, 0], [11, 2], [16, 2], [12, 0]]

y_test = [[11], [8.5], [15], [18], [11]]

predictions = model.predict(X_test)

for i, prediction in enumerate(predictions):

print('Predicted: %s, Target: %s' % (prediction, y_test[i]))

print('R-squared: %.2f' % model.score(X_test, y_test))

Predicted: [ 10.06250019], Target: [11]

Predicted: [ 10.28125019], Target: [8.5]

Predicted: [ 13.09375019], Target: [15]

Predicted: [ 18.14583353], Target: [18]

Predicted: [ 13.31250019], Target: [11]

R-squared: 0.77

多项式回归

上例中，我们假设解释变量和响应变量的关系是线性的。真实情况未必如此。下面我们用多项式回归，一种特殊的多元线性回归方法，增加了指数项。现实世界中的曲线关系都是通过增加多项式实现的，其实现方式和多元线性回归类似。本例还用一个解释变量，匹萨直径。让我们用下面的数据对两种模型做个比较：

import numpy as np

from sklearn.linear_model import LinearRegression

from sklearn.preprocessing import PolynomialFeatures

X_train = [[6], [8], [10], [14], [18]]

y_train = [[7], [9], [13], [17.5], [18]]

X_test = [[6], [8], [11], [16]]

y_test = [[8], [12], [15], [18]]

# 建立线性回归，并用训练的模型绘图

regressor = LinearRegression()

regressor.fit(X_train, y_train)

xx = np.linspace(0, 26, 100)

yy = regressor.predict(xx.reshape(xx.shape[0], 1))

plt = runplt()

plt.plot(X_train, y_train, 'k.')

plt.plot(xx, yy)

quadratic_featurizer = PolynomialFeatures(degree=2)

X_train_quadratic = quadratic_featurizer.fit_transform(X_train)

X_test_quadratic = quadratic_featurizer.transform(X_test)

regressor_quadratic = LinearRegression()

regressor_quadratic.fit(X_train_quadratic, y_train)

xx_quadratic = quadratic_featurizer.transform(xx.reshape(xx.shape[0], 1))

plt.plot(xx, regressor_quadratic.predict(xx_quadratic), 'r-')

plt.show()

print(X_train)

print(X_train_quadratic)

print(X_test)

print(X_test_quadratic)

print('1 r-squared', regressor.score(X_test, y_test))

print('2 r-squared', regressor_quadratic.score(X_test_quadratic, y_test))

[[6], [8], [10], [14], [18]]

[[ 1. 6. 36.]

[ 1. 8. 64.]

[ 1. 10. 100.]

[ 1. 14. 196.]

[ 1. 18. 324.]]

[[6], [8], [11], [16]]

[[ 1. 6. 36.]

[ 1. 8. 64.]

[ 1. 11. 121.]

[ 1. 16. 256.]]

('1 r-squared', 0.80972683246686095)

('2 r-squared', 0.86754436563450732)

plt = runplt()

plt.plot(X_train, y_train, 'k.')

quadratic_featurizer = PolynomialFeatures(degree=2)

X_train_quadratic = quadratic_featurizer.fit_transform(X_train)

X_test_quadratic = quadratic_featurizer.transform(X_test)

regressor_quadratic = LinearRegression()

regressor_quadratic.fit(X_train_quadratic, y_train)

xx_quadratic = quadratic_featurizer.transform(xx.reshape(xx.shape[0], 1))

plt.plot(xx, regressor_quadratic.predict(xx_quadratic), 'r-')

cubic_featurizer = PolynomialFeatures(degree=3)

X_train_cubic = cubic_featurizer.fit_transform(X_train)

X_test_cubic = cubic_featurizer.transform(X_test)

regressor_cubic = LinearRegression()

regressor_cubic.fit(X_train_cubic, y_train)

xx_cubic = cubic_featurizer.transform(xx.reshape(xx.shape[0], 1))

plt.plot(xx, regressor_cubic.predict(xx_cubic))

plt.show()

print(X_train_cubic)

print(X_test_cubic)

print('2 r-squared', regressor_quadratic.score(X_test_quadratic, y_test))

print('3 r-squared', regressor_cubic.score(X_test_cubic, y_test))

[[ 1.00000000e+00 6.00000000e+00 3.60000000e+01 2.16000000e+02]

[ 1.00000000e+00 8.00000000e+00 6.40000000e+01 5.12000000e+02]

[ 1.00000000e+00 1.00000000e+01 1.00000000e+02 1.00000000e+03]

[ 1.00000000e+00 1.40000000e+01 1.96000000e+02 2.74400000e+03]

[ 1.00000000e+00 1.80000000e+01 3.24000000e+02 5.83200000e+03]]

[[ 1.00000000e+00 6.00000000e+00 3.60000000e+01 2.16000000e+02]

[ 1.00000000e+00 8.00000000e+00 6.40000000e+01 5.12000000e+02]

[ 1.00000000e+00 1.10000000e+01 1.21000000e+02 1.33100000e+03]

[ 1.00000000e+00 1.60000000e+01 2.56000000e+02 4.09600000e+03]]

('2 r-squared', 0.86754436563450732)

('3 r-squared', 0.83569241560369567)

plt = runplt()

plt.plot(X_train, y_train, 'k.')

quadratic_featurizer = PolynomialFeatures(degree=2)

X_train_quadratic = quadratic_featurizer.fit_transform(X_train)

X_test_quadratic = quadratic_featurizer.transform(X_test)

regressor_quadratic = LinearRegression()

regressor_quadratic.fit(X_train_quadratic, y_train)

xx_quadratic = quadratic_featurizer.transform(xx.reshape(xx.shape[0], 1))

plt.plot(xx, regressor_quadratic.predict(xx_quadratic), 'r-')

seventh_featurizer = PolynomialFeatures(degree=7)

X_train_seventh = seventh_featurizer.fit_transform(X_train)

X_test_seventh = seventh_featurizer.transform(X_test)

regressor_seventh = LinearRegression()

regressor_seventh.fit(X_train_seventh, y_train)

xx_seventh = seventh_featurizer.transform(xx.reshape(xx.shape[0], 1))

plt.plot(xx, regressor_seventh.predict(xx_seventh))

plt.show()

print('2 r-squared', regressor_quadratic.score(X_test_quadratic, y_test))

print('7 r-squared', regressor_seventh.score(X_test_seventh, y_test))

('2 r-squared', 0.86754436563450732)

('7 r-squared', 0.49198460568655)

可以看出，七次拟合的R方值更低，虽然其图形基本经过了所有的点。可以认为这是拟合过度（over-fitting）的情况。这种模型并没有从输入和输出中推导出一般的规律，而是记忆训练集的结果，这样在测试集的测试效果就不好了。

正则化

LASSO方法会产生稀疏参数，大多数相关系数会变成0，模型只会保留一小部分特征。而岭回归还是会保留大多数尽可能小的相关系数。当两个变量相关时，LASSO方法会让其中一个变量的相关系数会变成0，而岭回归是将两个系数同时缩小。

import numpy as np

from sklearn.datasets import load_boston

from sklearn.linear_model import SGDRegressor

from sklearn.cross_validation import cross_val_score

from sklearn.preprocessing import StandardScaler

from sklearn.cross_validation import train_test_split

data = load_boston()

X_train, X_test, y_train, y_test = train_test_split(data.data, data.target)

X_scaler = StandardScaler()

y_scaler = StandardScaler()

X_train = X_scaler.fit_transform(X_train)

y_train = y_scaler.fit_transform(y_train.reshape(-1, 1))

X_test = X_scaler.transform(X_test)

y_test = y_scaler.transform(y_test.reshape(-1, 1))

regressor = SGDRegressor(loss='squared_loss',penalty="l1")

scores = cross_val_score(regressor, X_train, y_train.reshape(-1, 1), cv=5)

print('cv R', scores)

print('mean of cv R', np.mean(scores))

regressor.fit_transform(X_train, y_train)

print('Test set R', regressor.score(X_test, y_test))

('cv R', array([ 0.74761441, 0.62036841, 0.6851797 , 0.63347999, 0.79476346]))

('mean of cv R', 0.69628119572104885)

('Test set R', 0.75084948718041566)

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。