机器学习9---线性回归、岭回归、模型保存与加载

最新推荐文章于 2023-03-25 15:20:49 发布

weixin_43543210

最新推荐文章于 2023-03-25 15:20:49 发布

阅读量234

点赞数

本文链接：https://blog.csdn.net/weixin_43543210/article/details/107924848

版权

线性回归

分类：目标值为离散型数据
回归：目标值为连续型数据

定义

线性模型试图学得一个通过属性（特征）的线性组合来进行预测的函数：
在这里插入图片描述
即，线性回归是通过一个或者多个自变量与因变量知间进行建模的回归分析。一元线性回归，涉及到的变量只有一个，多元线性回归，涉及到的变量两个或者两个以上。

numpy中，可以使用 np.dot(x, y) 实现矩阵相乘。
np.dot(x,y):
若x、y为一维数组，则得到的是两数组的内积；
若x、y为二维数组（矩阵），得到的是矩阵乘积。

损失函数（误差大小）

在这里插入图片描述
目的：寻找w，使得损失最小。

损失函数的两种优化方法

正规方程（不做要求）

缺点：当特征过于复杂，求解速度太慢；对于复杂的算法，不能使用正规方程求解。
梯度下降

正规方程与梯度下降对比

sklearn 正规方程API:
sklearn.linear_model.LinearRegression()

普通最小二乘线性回归
coef_：回归系数

sklearn梯度下降API：
sklearn.linear_model.SGDRegression()
4. 通过使用SGD最小化线性模型
5. coef_：回归系数
在这里插入图片描述

回归性能评估

在这里插入图片描述

案例：波士顿房价

在这里插入图片描述

案例分析流程：
在这里插入图片描述

from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LinearRegression, SGDRegressor
from sklearn.metrics import mean_squared_error


def mylinear():
    """
    线性回归预测房子价格
    :return: None
    """
    # 获取数据
    lb = load_boston()

    # 分割数据集为训练集和测试集
    x_tarin, x_test, y_train, y_test = train_test_split(lb.data, lb.target, test_size=0.25)

    # 进行标准化处理（both特征值and目标值，所以要实例化两个标准化API）
    std_x = StandardScaler()
    x_train = std_x.fit_transform(x_tarin)
    x_test = std_x.transform(x_test)

    std_y = StandardScaler()
    y_train = std_y.fit_transform(y_train.reshape(-1, 1))
    y_test = std_y.transform(y_test.reshape(-1, 1))

    # estimator预测
    # 正规方程求解方式预测结果
    lr = LinearRegression()
    lr.fit(x_train, y_train)
    print(lr.coef_)

    y_predict = lr.predict(x_test)
    print("测试集里面每个房子的价格：", std_y.inverse_transform(y_predict))
    print("正规方程的均方误差：", mean_squared_error(std_y.inverse_transform(y_test.reshape(-1, 1)), std_y.inverse_transform(y_predict)))

    # 梯度下降进行房价预测
    sgd = SGDRegressor()
    sgd.fit(x_train, y_train)
    print(sgd.coef_)

    y_sgd_predict = std_y.inverse_transform(sgd.predict(x_test))
    print("测试集房子预测价格：", y_sgd_predict)
    print("梯度下降均方误差：", mean_squared_error(std_y.inverse_transform(y_test.reshape(-1, 1)), std_y.inverse_transform(y_sgd_predict)))

    return None


if __name__ == '__main__':
    mylinear()