提示:写完文章后,目录可以自动生成,如何生成可参考右边的帮助文档
文章目录
前言
这一篇来介绍以下最简单的模型就是线性回归,这是很多机器学习的起步算法,虽然简单,但是通过Python最基础的数据结构去实现,只是用Numpy,Matplotlib 基础的库包去实现,有利于提高我们的编程能力,接下来让我们一起来编写代码。
当然,你想要读懂以下内容,你需要学习过Python基础,并有认识机器学习的一些基础概念,如目标函数、标准化、过拟合、梯度下降、评价指标等。也许你也可以在阅读过程中一步一步去认识它们。
一、线性回归介绍
线性回归就是用一条线来解释自变量与因变量之间的关系。目标函数可以采用两种方式进行求解:最小二乘法和梯度下降法
二、最小二乘法实现线性回归
最小二乘法知识链接:最小二乘法
1.引入库
import numpy as np
import pandas as pd
2.读入数据
数据来源:boston.csv
data = pd.read_csv(r"boston.csv")
data.head()
data= data.drop('Unnamed: 0',axis=1)
data.head()
波士顿房价数据集字段书名
- CRIM 房屋所在镇犯罪率
- ZN 面积大于25000平方英尺住宅所占比例
- INDUS 房屋所在镇非零售区所占比例
- CHASS 房屋是否是位于河边的,河边为1,否则为0
- NOX 一氧化氮浓度
- RM 平均房间数量
- AGE 1940年前建成房屋所占的比例
- DIS 房屋距离波士顿五大就业中心的加权距离
- RAD 距离房屋最近的公路
- TAX 税收额度
- PTRATIO 房屋所在镇师生比例
- BLACK 计算公式: 1000*(房屋所在镇非美籍人口所在比例 - 0.63)**2
- LSTAT 弱势群体人口所占比例
- MEDV 房间平均价格
3.编写线性回归实现类
class LinearRegression:
"""
使用python是实现线性回归(最小二乘法)
"""
def fit(self,X,y):
"""
Parameters
----
X:类数组类型。形状:[样本数量,特征数量]
特征矩阵,用来对模型进行训练。
y:类数组类型,形状:[样本数量]
"""
#转化为矩阵
X = np.asmatrix(X.copy()) #说明,如果X是数组对象的一部分,而不是完整的对象数据(例如,X是由其他对象通过切片传递过来的)
#注意,我们现在要进行矩阵的运算,因此需要的是二维的结构,通过reshape方法进行转换
y = np.asmatrix(y).reshape(-1,1) #y为一维结构(行向量或列向量),可以不进行拷贝
#通过最小二乘法公式,求解出最佳的权重值
self.v_ = (X.T*X).I*X.T*y
def predict(self,X):
"""
根据参数传递的样本X,对样本数据进行预测
X:类数组类型。形状:[样本数量,特征数量]
待预测的样本特征(属性)
Returns
----
result:数组类型
预测的结果
"""
X = np.asmatrix(X.copy())
result = X*self.v_
#将矩阵转换为ndarray数组,进行扁平化处理,使用ravel()
return np.array(result).ravel()
4.割分数据集,训练模型,测试模型
#1.不考虑截距情况
t = data.sample(len(data),random_state = 0)
train_X = t.iloc[:400,:-1]
train_y = t.iloc[:400,-1]
test_X = t.iloc[400:,:-1]
test_y = t.iloc[400:,-1]
lr = LinearRegression()
lr.fit(train_X,train_y)
result = lr.predict(test_X)
result
5.评价指标:均方误差
#均方误差
display(np.mean((result - test_y)**2))
#查看模型权重值
display(lr.v_)
#2.考虑截距,增加一列,该列所有值为1
t = data.sample(len(data),random_state = 0)
#可以这样增加一列
# t["Intercept"] = 1
new_columns = t.columns.insert(0, "Intercept")
t = t.reindex(columns = new_columns,fill_value=1)
train_X = t.iloc[:400,:-1]
train_y = t.iloc[:400,-1]
test_X = t.iloc[400:,:-1]
test_y = t.iloc[400:,-1]
lr = LinearRegression()
lr.fit(train_X,train_y)
result = lr.predict(test_X)
result
6.可视化
import matplotlib as mpl
import matplotlib.pyplot as plt
#可显示中文
mpl.rcParams['font.family'] = "SimHei" #中文显示
mpl.rcParams['axes.unicode_minus'] = False #中文字体下,可以显示中文符号
#设置画布大小
plt.figure(figsize=(10,10))
plt.plot(result,"ro-",label="预测值")
plt.plot(test_y.values,"go--",label="真实值")
plt.title("线性回归预测-最小二乘法")
plt.xlabel("样本序号")
plt.ylabel("房价")
plt.legend()
plt.show()
三、梯度下降法实现线性回归
梯度下降知识:梯度下降
数据处理过程与上述大部分步骤一致,只是对于目标函数的优化不一样。
因此,只保留重要步骤,以上代码进行复用即可‘
如果你学过线性代数,你就会知道,
- 需要说明的是,梯度下降法和最小二乘法不同,因为最小二乘法需要求出矩阵的逆,而不是所有矩阵都可以求出逆矩阵。相对最小二乘法,梯度下降法局限性更小一些。
1.创建实现类
class LinearRegression2:
"""
使用Python语言实现线性回归算法(梯度下降)
"""
def __init__(self,alpha,times):
"""
初始化方法
Parameter
----
alpha:float
学习率。用来控制步长(权重调整的幅度)
times:int
循环迭代的次数。
"""
self.alpha = alpha
self.times = times
def fit(self,X,y):
"""
根据提供的数据,对模型进行训练。
Parameter
----
X:类数组类型。形状:[样本数量,特征数量]
待训练的样本特征属性(特征矩阵)
y:类数组类型。形状:[样本数量]
目标值(标签信息)
"""
X = np.asarray(X)
y = np.asarray(y)
#创建权重的向量,初始值为0(或任何其他值):长度比特征数量多一
self.v_=np.zeros(1+X.shape[1])
#创建损失列表,来保存每次迭代后的损失值,损失值计算:(预测值-真实值)的平方和除以2
self.loss_=[]
#进行循环,多次迭代。在每次迭代过程中,不断去调整权重值,使得损失值不断减少。
for i in range(self.times):
#计算预测值
y_hat = np.dot(X,self.v_[1:])+self.v_[0]
#计算真实值与预测值之间的差距
error = y-y_hat
#将损失值加入到损失列表当中
self.loss_.append(np.sum(error**2)/2)
#根据差距调整权重v_,根据公式,调整为权重(j) = 权重(j)+学习率*sum((y-y_hat)*x(j))
self.v_[0]+=self.alpha*np.sum(error)
self.v_[1:]+=self.alpha*np.dot(X.T,error)
def predict(self,X):
"""
根据参数传递的样本,对样本数据进行预测。
Parameter
----
X:类数组类型。形状:[样本数量,特征数量]
待预测的样本特征属性(特征矩阵)
Returns
----
result:数组类型
预测的结果
"""
X = np.asarray(X)
result = np.dot(X,self.v_[1:])+self.v_[0]
return result
2.分割数据,训练模型,测试模型
lr1 = LinearRegression2(alpha=0.001,times=20)
t = data.sample(len(data),random_state=0)
train_X = t.iloc[:400,:-1]
train_y = t.iloc[:400,-1]
test_X = t.iloc[400:,:-1]
test_y = t.iloc[400:,-1]
lr1.fit(train_X,train_y)
result = lr1.predict(test_X)
display(np.mean((result-test_y)**2))
那问题来了?为什么数据如此之大????
我们忽略了数据标准化,每一个字段之间的数据差异太大了
所以告诉我们,在梯度下降中,如果每一列的数据大小差异较大,要进行标准化
3.添加数据标准化过程
#数据标准化类
class StadardScaler:
"""
该类对数据进行标准化处理
"""
def fit(self,X):
"""
根据传递的样本,计算每一个特征列的均值和标准差
Parameter
----
X;类数组类型
训练数据,用来计算均值和标准差
"""
X= np.asarray(X)
self.std_ = np.std(X,axis=0) #按列计算
self.mean_ = np.mean(X,axis=0)
def transform(self,X):
"""
对给定的数据X,进行标准化处理。(将X的每一列都变成标准正态分布)
Parameter
----
X:类数组类型
待转换的数据
Returns
----
result:类数组类型。
参数X转换成标准正态分布后的结果
"""
return (X-self.mean_)/self.std_
def fit_transform(self,X):
"""
对数据进行训练,并转换,返回转换之后的结果
Parameter
----
X:类数组类型
待转换的数据
Returns
----
result:类数组类型
参数转换成标准正态分布
"""
self.fit(X)
return self.transform(X)
重新进行模型训练和测试
#为了避免每一个特征数量级的不同,从而在梯度下降的过程中带来的影响
#我们现在考虑对每一个特征进行标准化处理
lr2 = LinearRegression2(alpha=0.0005,times=20)
t = data.sample(len(data),random_state=0)
train_X = t.iloc[:400,:-1]
train_y = t.iloc[:400,-1]
test_X = t.iloc[400:,:-1]
test_y = t.iloc[400:,-1]
#对数据进行标准化处理
s = StadardScaler()
train_X = s.fit_transform(train_X)
test_X = s.transform(test_X)
s2 = StadardScaler()
train_y = s2.fit_transform(train_y)
test_y = s2.transform(test_y)
lr2.fit(train_X,train_y)
result = lr2.predict(test_X)
display(np.mean((result-test_y)**2))
这次均方误差数据就正常了。
4.可视化
#查看权重
display(lr2.v_)
#查看损失值
display(lr2.loss_)
#设置画布大小
plt.figure(figsize=(10,10))
plt.plot(result,"ro-",label="预测值")
plt.plot(test_y.values,"go--",label="真实值")
plt.title("线性回归预测-梯度下降法")
plt.xlabel("样本序号")
plt.ylabel("房价")
plt.legend()
plt.show()
#累计的误差值 loss_
plt.plot(range(1,lr2.times+1),lr2.loss_,"o-")
# 因为房价更新涉及多个维度,不方便可视化
# 为了可视化,我们只选择其中一个维度(RM),并画出直线,进行拟合
lr2 = LinearRegression2(alpha=0.0005, times=20)
t = data.sample(len(data), random_state=0)
train_X = t.iloc[:400, 5:6]
train_y = t.iloc[:400, -1]
test_X = t.iloc[400:, 5:6]
test_y = t.iloc[400:, -1]
# 标准化
ss = StadardScaler()
train_X = ss.fit_transform(train_X)
test_X = ss.transform(test_X)
ss2 = StadardScaler()
train_y = ss2.fit_transform(train_y)
test_y = ss2.transform(test_y)
lr2.fit(train_X, train_y)
result = lr2.predict(test_X)
# display(result)
display(np.mean((result - test_y)**2))
意思是我们只选取一个自变量,一个因变量。因为本来自变量是很多的,就是有很多列的指标,只选一列来训练模型。
plt.scatter(train_X["rm"],train_y)
#查看方程
display(lr2.v_)
#构建方程 y = -2.6134650e-16 +6.4744239e-01 *x
x = np.arange(-5,5,0.1)
y = -2.6134650e-16 +6.4744239e-01 *x
# plt.plot(x,y,"r")
#也可以这样绘制
# x.reshape(-1,1) 把一维转为二维
plt.plot(x,lr2.predict(x.reshape(-1,1)),"r")