线性回归的原理
回归问题的判定是什么?目标值是连续性的数据。
线性回归的应用场景
- 房价预测
- 销售额度预测
- 金融:贷款额度预测、利用线性回归以及系数分析因子
什么是线性回归
- 定义与公式
线性回归(Linear regression)是利用回归方程(函数)对一个或多个自变量(特征值)何让因变量(目标值)之间关系进行建模的一种分析方式。
特点:只有一个自变量的情况称为单变量回归,多一个人自变量情况的情况的叫做多元回归。
例如:
- 期末成绩:0.7考试成绩+0.3平时成绩‘
- 房子价格=0.02中心区域的距离+0.04城市一氧化氮的浓度+(-0.12自住房平均房价)+0.254城镇犯罪率
可以看出特征值和目标值之间建立了一个关系,这一关系可以理解为线性关系。
- 线性回归的特征与目标的关系分析
线性回归当中线性模型有两种,一种是线性关系,另一种是非线性关系。
(1)线性关系
注释:单特征与目标值的关系呈直线关系,或者两个特征与目标值呈现平面关系,更高气度的不用去想,只要记住这种关系即可。
(2)非线性关系
注释:如果是非线性关系,那么回归方程可以理解为,类似于这种情况: w 1 ∗ x 1 + w 2 ∗ x 2 2 + w 3 ∗ x 3 3 w1*x1+w2*x2^2+ w3*x3^3 w1∗x1+w2∗x22+w3∗x33。
总之,线性模型分以下两种情况:
(1)自变量一次:
y
=
w
1
∗
x
1
+
w
2
∗
x
2
+
w
3
∗
x
3
+
.
.
.
+
w
n
x
n
+
b
y = w1*x1+w2*x2+ w3*x3+...+wnxn+b
y=w1∗x1+w2∗x2+w3∗x3+...+wnxn+b。
(2)参数一次:
y
=
w
1
∗
x
1
+
w
2
∗
x
2
2
+
w
3
∗
x
3
3
+
.
.
.
.
+
b
y = w1*x1+w2*x2^2+ w3*x3^3+....+b
y=w1∗x1+w2∗x22+w3∗x33+....+b
注意线性模型和线性关系。:线性关系一定是线性模型,但是线性模型不一定是线性关系。
线性回归的损失原理(理解记忆)
目标:求模型参数,模型参数使得预测准确
假设刚才的房子例子,真实的数据之间存在这样的关系:
房子价格=0.02中心区域的距离+0.04城市一氧化氮的浓度+(-0.12自住房平均房价)+0.254城镇犯罪率
现在,随意指定一个关系(猜测):
房子价格=0.25中心区域的距离+0.14城市一氧化氮的浓度+0.42自住房平均房价+0.34城镇犯罪率
对于真实值和预测值之间的误差,使用损失函数/cost/成本函数/目标函数来衡量。
损失函数
总损失定义为:
y_i为第i个训练样本的真实值
h(x_i)为第i个训练样本特征值组织预测函数
又称最小二乘法
如何去减少这个损失,使预测更加准确?机器学习有自动学习的功能,在线性回归这方面能够体现,这里可以通过一些优化方法去优化(使用数学中的求导功能)回归的总损失。
线性回归的优化原理
如果去求模型当中的W,使得损失最小?(目的是找到最小损失对应的W值)
线性回归经常使用的两种优化算法:
优化算法1:正规方程
X为特征值矩阵,y为目标值矩阵。
优点:直接求到最好的结果
缺点:当特征过多过复杂时,求解速度太慢并且得不到结果。
优化算法2:梯度下降法(Gradient Descent)
- 公式
注释:α为学习速率,需要手动指定(超参数),α旁边的整体表示方向,沿着这个函数下降的方向找,最后就能找到山谷的最低点,然后更新W值。
使用:面对训练数据规模十分庞大的任务,能够找到较好的结果。
注:线性回归函数一般不会出现上图这样,其他函数有可能出现这种情况,会在沿着函数下降的方向不断更新时得到一个局部最优值。
线性回归API
from sklearn.linear_model import LinearRegression
- 通过正规方程优化
- fit_intercept:是否计算偏置
- LinearRegression.coef_:回归系数
- LinearRegression.intercept_:偏置
from sklearn.linear_model import SGDRegressor(loss=“squared_loss”,fit_intercept=True,learning_rate='invscaling',eat0=0.01)
- SGDRegressor类实现了随机梯度下降学习,它支持不同的loss函数和正则化惩罚项来拟合线性回归模型。
- loss:损失类型
loss=“squared_loss”:普通最小二乘法(默认) - fit_intercept:是否计算偏置
- learning_rate:string,optional
学习率填充
‘constant’: eta = eta0
‘optimal’: eta = 1.0/ (alpha " (t + t0)) [default]
’invscaling’: eta = eta0, powf, power_t),power_ t=0.25:存在父类当中(默认)
对于一个常数值的学习率来说,可以使用learning rate=‘constant’ ,并使用eat0来指定学习率。学习率是可以调的 - SGDRegressor.coef_:回归系数
- SGDRegressor.intercept_:偏置
回归性能评估
- 分析
回归当中的数据大小不一致,是否会导致结果影响较大。所以要做标准化处理:
(1)数据分割于标准化处理
(2)回归预测
(3)线性回归的算法效果评估 - 回归性能评估
均方误差(Mean Squared Error)MSE评价机制:
注: y i 为 预 测 值 , y − 为 真 实 值 y^i为预测值,y^-为真实值 yi为预测值,y−为真实值 - API:
sklearn.metrics mean_squared_error
均方误差回归损失
y_true:真实值
y_pred:预测值
return:浮点数结果
波士顿房价预测
- 流程:
(1)获取数据
(2)划分数据集
(3)特征工程:标准化
(4)预估器流程
fit()------>模型
coef_、intercept_
(5)模型评估 - 代码
(1)导入包:
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
from sklearn.linear_model import SGDRegressor
from sklearn.metrics import mean_squared_error
(2)编写linear1()和linear2()函数:
def linear1():
'''
正规方程的方法对波士顿房价进行预测
:return:
'''
# 1.获取数据
boston = load_boston()
# 2.划分数据集
x_train,x_test,y_train,y_test = train_test_split(boston.data, boston.target, random_state= 22)
# 3.特征工程:标准化
transfer = StandardScaler()
x_train = transfer.fit_transform(x_train)
x_test = transfer.transform(x_test)
# 4.预估器流程
estimator = LinearRegression()
estimator.fit(x_train,y_train)
# 5.得出模型
print("正规方程权重系数为:\n",estimator.coef_)
print("正规方程偏置为:\n",estimator.intercept_)
# 6.评估模型
y_predict = estimator.predict(x_test)
#print("正规方程的y_predict为:\n", y_predict)
error = mean_squared_error(y_test,y_predict)
print("正规方程均方误差为:\n",error)
return None
def linear2():
'''
梯度下降法对波士顿房价进行预测
:return:
'''
# 1.获取数据
boston = load_boston()
# 2.划分数据集
x_train,x_test,y_train,y_test = train_test_split(boston.data,boston.target,random_state= 22)
# 3.特征工程:标准化
transfer = StandardScaler()
x_train = transfer.fit_transform(x_train)
x_test = transfer.transform(x_test)
# 4.预估器流程
estimator = SGDRegressor(eta0=0.01,max_iter=10000 )
estimator.fit(x_train,y_train)
# 5.得出模型
print("梯度下降权重系数为:\n",estimator.coef_)
print("梯度下降偏置为:\n",estimator.intercept_)
# 6.评估模型
y_predict = estimator.predict(x_test)
#print("梯度下降的y_predict为:\n", y_predict)
error = mean_squared_error(y_test, y_predict)
print("梯度下降均方误差为:\n", error)
return None
(3)调用linear1()和linear2()函数:
if __name__ == "__main__":
# 代码1:正规方程的方法对波士顿房价进行预测
linear1()
# 代码2:梯度下降法对波士顿房价进行预测
linear2()
(4)结果:
正规方程和梯度下降对比
- 文字对比
梯度下降 | 正规方程 |
---|---|
需要选择学习率 | 不需要 |
需要迭代求解 | 一次运算得出 |
特征数量较大可以使用 | 需要计算方程,时间复杂度高 |
- 选择
(1)小规模数据
LinearRegression(不能解决拟合问题)
岭回归
(2)大规模数据:SGDRegressor
关于优化方法GD、SGD、SAG
- GD
梯度下降(Gradient Descent),原始的梯度下降法需要计算所有样本的值才能够得出梯度,计算量大,所以需要进一步改进。 - SGD
随机梯度下降(Stochastic Gradient Descent)是一个优化方法,它在一次迭代时只考虑一个训练样本。
SGD的优点:高效、容易实现
SGD的缺点:
(1)SGD需要许多超参数,比如正则项参数、迭代数。
(2)SGD对于特征标准化是敏感的。 - SAG
随机平均梯度法(Stochastic Average Descent),由于收敛的速度太慢,有人提出ASG等基于梯度下降的算法。
Scikit-learn:岭回归、逻辑回归等当中都会有SAG优化。