李宏毅机器学习2020HW1——手推线性回归公式预测PM2.5

前言

  这个是课程第一个作业，用线性回归模型做PM2.5的预测，优化方法用Adagrad，李老师提供了训练集和测试集以及示例代码，并推荐使用Linux或者Mac系统来做作业。而我准备用win10系统来完成这项作业。

一、要求

  给定训练集train.csv和测试集test.csv，要求根据前9个小时的空气监测情况预测第10个小时的PM2.5含量。

二、环境

  Win10系统，使用Pycharm，Python3.7。

三、数据介绍

  首先熟悉一下数据，训练集train.csv包含每个月前20天的完整观测数据，因为数据的编码方式是big5，使用Pycharm打开文件后显示乱码，先选择文件编码方式为“Big5-HKSCS”，reload之后就能正常打开。
  训练集包含2014年1-12月中每个月前20天的数据，每个小时均记录一次数据，每次记录18个特征数据，包括AMB_TEMP, CH4, CO, NHMC, NO, NO2, NOx, O3, PM10, PM2.5, RAINFALL, RH, SO2, THC, WD_HR, WIND_DIREC, WIND_SPEED, WS_HR。其中RAINFALL指标的值不是数值格式。总共有4230行、24列有效数据（4320 = 12个月20天18个特征），部分训练集数据如下图。
  测试集test.csv的格式与训练集类似，共有240个id（类似训练集的240个日期），每个id有18项特征，均有9个小时的数据，以此来预测第10小时的PM2.5。总共有240行、9列有效数据。部分测试集数据如下图所示。

四、训练集数据预处理

  在Pycharm中新建一个Python工程，在venv文件夹中新建文件夹data，将train.csv和test.csv放入其中。

1. 数据清洗

  训练集中前三列不是数值部分，因此要从第四列开始取值，且需要将RAINFALL行的内容‘NR’替换为数值（以0代替）。

import pandas as pd
import numpy as np
data = pd.read_csv('./data/train.csv', encoding='Big5')
data = data.iloc[:, 3:] #iloc是根据行列号来取数据
data[data == 'NR'] = 0 #将RAINFALL行的字符替换为0
raw_data = data.to_numpy() #转换为numpy数组

  清洗完后，raw_data大小为4320*24。

2. 提取特征

  按月份来看，清洗后的数据（raw_data）是可看成由12份360*24的二维数组组成（360 = 20天*18个特征）。将每份360*24的数组转换成18*480的数组，如下图所示。

  转换后的数组将变成如下形式：

  将12组18*480数组以放入一个字典中。

month_data = {
   } 
for month in range(12):
    sample = np.empty([18, 480]) #空的18*480数组
    for day in range(20):
        sample[:, day*24:(day+1)*24] = raw_data[18*(day+20*month):18*(day+1+20*month), :]
    month_data[month] = sample

  由于最终目的是根据前9小时的数据预测第10小时的PM2.5，所以要把10小时的数据分为一组，其中前9小时的18*9个特征作为输入x，第10个小时的第10个特征作为输出y。上述转换后的18*480数组中，480列依次为同一个月1号到20号各小时的数据，也就是480个小时的数据。以1月份的数据为例，1-10列是1-10小时的数据，作为第1组数据；2-11列是2-10小时的数据，作为第2组数据；以步长为1的方式取值到第480列为止。如下图所示。

  这样，一个月就有471组数据，12个月就有12*471组数据，每组数据中，前9小时的数据（18*9的数组）转换成18*9维行向量作为输出；将第10小时的数据（18维列向量）中的第10行的数据（即第10个特征PM2.5的值）作为输出。12个月的12*471组数据的输出放入总的输入x中（12*471行，18*9列的数组），同理输出y为12*471维列向量。
  reshape(1, -1)：转换成一个行向量

x = np.empty([12*471, 18*9], dtype=float)
y = np.empty([12*471, 1], dtype=float)
for month in range(12):
    for day in range(20):
        for hour in range(24):
            if hour > 14 and day == 19:
                continue
            x[month*471 + day*24 + hour, :] = month_data[month][:, day*20 + hour:day*20 + hour + 9].reshape(1, -1)
            y[month*471 + day*24 + hour, :] = month_data[month][9, day*20 + hour + 9]

3. 标准化

  方法是减去列均值再除以列标准差。
  np.mean()：求均值。axis = 0：压缩行，对各列求均值，返回 1* n 矩阵。
  np.std()：求标准差。axis=0：计算每一列的标准差。

mean_x = np.mean(x, axis = 0) #18 * 9 
std_x = np.std(x, axis = 0) #18 * 9 
for i in range(len(x)): #12 * 471
    for j in range(len(x[0])): #18 * 9 
        if std_x[j] != 0:
            x[i][j] = (x[i][j] - mean_x[j]) / std_x[j]
#print(x)

六、训练

  模型：线性回归

$$\mathbf{y}=\left[\begin{array}{c}{y}_1\\ y_2\\ ⋮\\ y_m\end{array}\right]=[\begin{array}{c}b+w_1{x}_{1,1}+w_2{x}_{1,2}+...+w_n{x}_{1,n}\\ b+w_1{x}_{2,1}+w_2{x}_{2,2}+...+w_n{x}_{2,n}\\ ⋮\\ b+w_1{x}_{m,1}+w_2{x}_{m,2}+...+w_n{x}_m\end{array}$$