机器学习小白手推一元线性回归[附代码]

手推一元线性回归(附代码)

引言

由于经常做运维和编程工作,线性代数知识已经多年没有用了,基本已还给老师,线性回归的思路也是机器学习的基本思路,所以打算复习一下。顺便做个一元线性笔记,忘记的时候可以拿出来回顾一下。

本文主要以手推为主,程序作为辅助,程序语言选用python。

线性回归

提出问题

根据下表内容,预测指定年龄的儿童体重。例如:预测表中没有的,19岁儿童的标准体重。
在这里插入图片描述

用例说明

为方便手工推算计算,我取表中标准体重的前5个数据:[10.05,12.54,14.65,16.64,18.98],分别对应1岁到5岁年龄。

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression

#体重
weights=[10.05,12.54,14.65,16.64,18.98]
#年龄
ages=[1,2,3,4,5]
df=pd.DataFrame()
df['age']=ages
df['weight']=weights
# 散点图
df.plot(kind='scatter', x='age', y='weight', c=None, s=15) # s:点的大小  c:点的颜色 c =np.squeeze(colors)
plt.title(u'儿童年龄体重对照', fontsize=15,fontdict=dict(family='KaiTi')) #楷体
plt.show()

分布图如下,看上去像是某种线性关系:在这里插入图片描述

如果要预测儿童6岁时的体重,我们可以根据中学的知识,把这线散点拟合成直线方程:

y = ax + b

然后把6代入方程就可以预测出6岁时的体重。这就是线性回归。

一元线性回归就是找一条直线,并且让图中的散点尽可能靠近这条直线

我们先随手画直线:
在这里插入图片描述

这又面临另一个问题:到底是红色直线更能拟合图中的散点?还是黄色直线?又或是其他直线呢?
解决这个问题就需要引入最小二乘法

假设我们的拟合直线为: f ( x ) = 2.25 x + 7.73 f(x)=2.25x+7.73 f(x)=2.25x+7.73

根据上面的例子,把5个样本(即1岁到5岁标准体重)分别代入上述方程可以得出5个预测结果:
y 1 ^ = f ( x 1 ) = 2.25 × 1 + 7.73 = 9.98 \hat{y_1}=f(x_1)=2.25\times1+7.73=9.98 y1^=f(x1)=2.25×1+7.73=9.98
y 2 ^ = f ( x 2 ) = 2.25 × 2 + 7.73 = 12.23 \hat{y_2}=f(x_2)=2.25\times2+7.73=12.23 y2^=f(x2)=2.25×2+7.73=12.23
y 3 ^ = f ( x 3 ) = 2.25 × 3 + 7.73 = 14.48 \hat{y_3}=f(x_3)=2.25\times3+7.73=14.48 y3^=f(x3)=2.25×3+7.73=14.48
y 4 ^ = f ( x 4 ) = 2.25 × 4 + 7.73 = 16.73 \hat{y_4}=f(x_4)=2.25\times4+7.73=16.73 y4^=f(x4)=2.25×4+7.73=16.73
y 5 ^ = f ( x 5 ) = 2.25 × 5 + 7.73 = 18.98 \hat{y_5}=f(x_5)=2.25\times5+7.73=18.98 y5^=f(x5)=2.25×5+7.73=18.98

数学中的估计值一般用上面带尖的符号表示,如: θ ^ \hat{\theta} θ^, 读作theta hat。

##使用程序计算

上面为手算结果,很慢,且累。这才用了5个数据样本,现实中的数据远比这个多得多,所以需要程序辅助。
接上面的程序

y_head5_predict=([2.25*x+7.73 for x in df['age']]) #拟合结果

y_head5_predict的计算结果,即方程: f ( x ) = 2.25 x + 7.73 f(x)=2.25x+7.73 f(x)=2.25x+7.73 的预测结果

[9.98, 12.23, 14.48, 16.73, 18.98]

与真实结果做个对比

[ 9.98, 12.23, 14.48, 16.73, 18.98]
[10.05, 12.54, 14.65, 16.64, 18.98]

最小二乘法

损失函数

可以发现上面的预测结果与真实数据存在误差,毕竟预测结果是方程算出的嘛,和真实值当然会不一样了。那么如何来恒量这个误差呢?

残差公式

e = f ( x i ) − y i e=f(x_i)-y_i e=f(xi)yi

把预测值与真实值相减便得出了这个误差。也可以写成这样:
y i ^ − y i = ϵ \hat{y_i}-y_i=\epsilon yi^yi=ϵ
但是这种算的结果有时是负数,计算起来不方便,于是就把它作平方处理。

损失函数原型
和方差(SSE)

S S E = ∑ i = 1 m ( y i − y i ^ ) 2 SSE=\sum_{i=1}^{m}(y_i-\hat{y_i})^2 SSE=i=1m(yiyi^)2

均方误差(MSE)

M S E = S S E N = 1 N ∑ i = 1 m ( y i − y i ^ ) 2 MSE=\frac{SSE}{N}=\frac{1}{N}\sum_{i=1}^{m}(y_i-\hat{y_i})^2 MSE=NSSE=N1i=1m(yiyi^)2

均方根(RMSE)

R M S E = M S E = 1 N ∑ i = 1 m ( y i − y i ^ ) 2 \Large RMSE=\sqrt{MSE}=\sqrt{\frac{1}{N}\sum_{i=1}^{m}(y_i-\hat{y_i})^2} RMSE=MSE =N1i=1m(yiyi^)2


总之,这些公式的值最越小,说明损失越小,线性方程就能更好地拟合样本数据。

参数估计——最小二乘法

以上面例子的方程:
f ( x ) = a x + b f(x)=ax+b f(x)=ax+b
找出最合适的参数a和b,就是展开后:
f ( a , b ) = ∑ i = 1 m ( y i − y i ^ ) 2 = ∑ i = 1 m ( y i − ( a x i + b ) ) 2 f(a,b)=\sum_{i=1}^{m}(y_i-\hat{y_i})^2=\sum_{i=1}^{m}(y_i-(ax_i+b))^2 f(a,b)=i=1m(yiyi^)2=i=1m(yi(axi+b))2
然后求出这个函数的最小值,这就是求线性回归的最小二乘法
根据微积分知识,就是把函数 f ( a , b ) f(a,b) f(a,b)分别对a和b求偏导,然后令偏导等于0。

对参数a的求导过程

u = y i − ( a x i + b ) u=y_i-(ax_i+b) u=yi(axi+b),根据链式法则(注意:x、y和b看成常数):
( ∑ i = 1 m ( y i − ( a x i + b ) ) 2 ) ′ \big(\sum_{i=1}^{m}(y_i-(ax_i+b))^2\big)\prime (i=1m(yi(axi+b))2)
= ∑ i = 1 m 2 ( y i − ( a x i + b ) ) ( y i − ( a x i + b ) ) ′ =\sum_{i=1}^{m}2(y_i-(ax_i+b))(y_i-(ax_i+b))\prime =i=1m2(yi(axi+b))(yi(axi+b))
= ∑ i = 1 m 2 ( y i − ( a x i + b ) ) ( y i ′ − ( a x i ) ′ − b ′ ) =\sum_{i=1}^{m}2(y_i-(ax_i+b))(y_i\prime-(ax_i)\prime-b\prime) =i=1m2(yi(axi+b))(yi(axi)b)
= 2 ∑ i = 1 m ( y i − ( a x i + b ) ) ( 0 − x i − 0 ) =2\sum_{i=1}^{m}(y_i-(ax_i+b))(0-x_i-0) =2i=1m(yi(axi+b))(0xi0)
= 2 ∑ i = 1 m ( a x i + b − y i ) x i =2\sum_{i=1}^{m}(ax_i+b-y_i)x_i =2i=1m(axi+byi)xi

对参数b的求导过程

u = y i − ( a x i + b ) u=y_i-(ax_i+b) u=yi(axi+b),根据链式法则(注意:x、y和a看成常数):
( ∑ i = 1 m ( y i − ( a x i + b ) ) 2 ) ′ \big(\sum_{i=1}^{m}(y_i-(ax_i+b))^2\big)\prime (i=1m(yi(axi+b))2)
= ∑ i = 1 m 2 ( y i − ( a x i + b ) ) ( y i − ( a x i + b ) ) ′ =\sum_{i=1}^{m}2(y_i-(ax_i+b))(y_i-(ax_i+b))\prime =i=1m2(yi(axi+b))(yi(axi+b))
= ∑ i = 1 m 2 ( y i − ( a x i + b ) ) ( y i ′ − ( a x i ) ′ − b ′ ) =\sum_{i=1}^{m}2(y_i-(ax_i+b))(y_i\prime-(ax_i)\prime-b\prime) =i=1m2(yi(axi+b))(yi(axi)b)
= 2 ∑ i = 1 m ( y i − ( a x i + b ) ) ( 0 − 0 − 1 ) =2\sum_{i=1}^{m}(y_i-(ax_i+b))(0-0-1) =2i=1m(yi(axi+b))(001)
= 2 ∑ i = 1 m ( a x i + b − y i ) =2\sum_{i=1}^{m}(ax_i+b-y_i) =2i=1m(axi+byi)

估算参数

解如下方程组:
{ ∂ ∂ a ϵ = 2 ∑ i = 1 m ( a x i + b − y i ) x i = 0 ∂ ∂ a ϵ = 2 ∑ i = 1 m ( a x i + b − y i ) = 0 \begin{cases} \frac{\partial}{\partial{a}}\epsilon=2\sum_{i=1}^{m}(ax_i+b-y_i)x_i=0\\ \frac{\partial}{\partial{a}}\epsilon=2\sum_{i=1}^{m}(ax_i+b-y_i)=0 \end{cases} {aϵ=2i=1m(axi+byi)xi=0aϵ=2i=1m(axi+byi)=0
(长时间没用过高数,只能用笨办法)
式子1展开、转化:
∑ i = 1 m ( a x i + b − y i ) x i = 0 \sum_{i=1}^{m}(ax_i+b-y_i)x_i=0 i=1m(axi+byi)xi=0
∑ i = 1 m ( a x i 2 + b x i − y i x i ) = 0 \sum_{i=1}^{m}(ax_i^2+bx_i-y_ix_i)=0 i=1m(axi2+bxiyixi)=0
∑ i = 1 m a x i 2 + ∑ i = 1 m b x i − ∑ i = 1 m y i x i = 0 \sum_{i=1}^{m}ax_i^2+\sum_{i=1}^{m}bx_i-\sum_{i=1}^{m}y_ix_i=0 i=1maxi2+i=1mbxii=1myixi=0
a ∑ i = 1 m x i 2 + b ∑ i = 1 m x i − ∑ i = 1 m y i x i = 0 a\sum_{i=1}^{m}x_i^2+b\sum_{i=1}^{m}x_i-\sum_{i=1}^{m}y_ix_i=0 ai=1mxi2+bi=1mxii=1myixi=0

式子2展开、转化:
∑ i = 1 m ( a x i + b − y i ) = 0 \sum_{i=1}^{m}(ax_i+b-y_i)=0 i=1m(axi+byi)=0
∑ i = 1 m a x i + ∑ i = 1 m b − ∑ i = 1 m y i = 0 \sum_{i=1}^{m}ax_i+\sum_{i=1}^{m}b-\sum_{i=1}^{m}y_i=0 i=1maxi+i=1mbi=1myi=0
a ∑ i = 1 m x i + m b − ∑ i = 1 m y i = 0 a\sum_{i=1}^{m}x_i+mb-\sum_{i=1}^{m}y_i=0 ai=1mxi+mbi=1myi=0

初中知识,用代入消元法:
转化式子2:
b = ∑ i = 1 m y i m − a ∑ i = 1 m x i m = y ˉ − a x ˉ \Large b=\frac{\sum_{i=1}^{m}y_i}{m}-\frac{a\sum_{i=1}^{m}x_i}{m}=\bar{y}-a\bar{x} b=mi=1myimai=1mxi=yˉaxˉ
代入式子1:
a ∑ i = 1 m x i 2 + ( y ˉ − a x ˉ ) ∑ i = 1 m x i − ∑ i = 1 m y i x i = 0 a\sum_{i=1}^{m}x_i^2+(\bar{y}-a\bar{x})\sum_{i=1}^{m}x_i-\sum_{i=1}^{m}y_ix_i=0 ai=1mxi2+(yˉaxˉ)i=1mxii=1myixi=0
a ∑ i = 1 m x i 2 + y ˉ ∑ i = 1 m x i − a x ˉ ∑ i = 1 m x i − ∑ i = 1 m y i x i = 0 a\sum_{i=1}^{m}x_i^2+\bar{y}\sum_{i=1}^{m}x_i-a\bar{x}\sum_{i=1}^{m}x_i-\sum_{i=1}^{m}y_ix_i=0 ai=1mxi2+yˉi=1mxiaxˉi=1mxii=1myixi=0
a ( ∑ i = 1 m x i 2 − x ˉ ∑ i = 1 m x i ) + y ˉ ∑ i = 1 m x i − ∑ i = 1 m y i x i = 0 a(\sum_{i=1}^{m}x_i^2-\bar{x}\sum_{i=1}^{m}x_i)+\bar{y}\sum_{i=1}^{m}x_i-\sum_{i=1}^{m}y_ix_i=0 a(i=1mxi2xˉi=1mxi)+yˉi=1mxii=1myixi=0
a = ∑ i = 1 m y i x i − y ˉ ∑ i = 1 m x i ∑ i = 1 m x i 2 − x ˉ ∑ i = 1 m x i \Large a=\frac{\sum_{i=1}^{m}y_ix_i-\bar{y}\sum_{i=1}^{m}x_i}{\sum_{i=1}^{m}x_i^2-\bar{x}\sum_{i=1}^{m}x_i} a=i=1mxi2xˉi=1mxii=1myixiyˉi=1mxi
到这里,把样本数据代入函数已经可以算出参数a的值了。
上代码:

# 最小二乘法估出参数
x_bar = np.mean(ages)
y_bar = np.mean(weights)
a_param = np.dot(ages, weights) - y_bar * np.sum(ages)
a_param = a_param / (np.sum(np.square(ages)) - x_bar * np.sum(ages))
b_param = y_bar - a_param * x_bar

参数a的结果,即斜率:

2.1960000000000037

参数b的结果,即截距:

7.9839999999999876
估算过程补充说明
  1. 公式
    a = ∑ i = 1 m y i x i − y ˉ ∑ i = 1 m x i ∑ i = 1 m x i 2 − x ˉ ∑ i = 1 m x i \Large a=\frac{\sum_{i=1}^{m}y_ix_i-\bar{y}\sum_{i=1}^{m}x_i}{\sum_{i=1}^{m}x_i^2-\bar{x}\sum_{i=1}^{m}x_i} a=i=1mxi2xˉi=1mxii=1myixiyˉi=1mxi
    这个公式若使用手算还可以再转化:
    a = ∑ i = 1 m y i x i − 1 m ∑ i = 1 m y i ∑ i = 1 m x i ∑ i = 1 m x i 2 − x ˉ ∑ i = 1 m x i \Large a=\frac{\sum_{i=1}^{m}y_ix_i-\frac{1}{m}\sum_{i=1}^{m}y_i\sum_{i=1}^{m}x_i}{\sum_{i=1}^{m}x_i^2-\bar{x}\sum_{i=1}^{m}x_i} a=i=1mxi2xˉi=1mxii=1myixim1i=1myii=1mxi
    a = ∑ i = 1 m y i x i − x ˉ ∑ i = 1 m y i ∑ i = 1 m x i 2 − x ˉ ∑ i = 1 m x i \Large a=\frac{\sum_{i=1}^{m}y_ix_i-\bar{x}\sum_{i=1}^{m}y_i}{\sum_{i=1}^{m}x_i^2-\bar{x}\sum_{i=1}^{m}x_i} a=i=1mxi2xˉi=1mxii=1myixixˉi=1myi
    a = ∑ i = 1 m y i ( x i − x ˉ ) ∑ i = 1 m x i 2 − x ˉ ∑ i = 1 m x i \Large a=\frac{\sum_{i=1}^{m}y_i(x_i-\bar{x})}{\sum_{i=1}^{m}x_i^2-\bar{x}\sum_{i=1}^{m}x_i} a=i=1mxi2xˉi=1mxii=1myi(xixˉ)
  2. 代码说明
np.dot(ages, weights)

这行代码为向量的点乘(内积),公式如下:

若有向量:
a = [ a 1 , a 2 , a 3 , … , a n ] a=[a_1,a_2,a_3,\ldots,a_n] a=[a1,a2,a3,,an]
b = [ b 1 , b 2 , b 3 , … , b n ] b=[b_1,b_2,b_3,\ldots,b_n] b=[b1,b2,b3,,bn]

向量a和b的点积公式为:
a ⃗ ∙ b ⃗ = a 1 b 1 + a 2 b 2 + a 3 b 3 + … + a n b n \Large \vec{a}\bullet\vec{b}=a_1b_1+a_2b_2+a_3b_3+\ldots+a_nb_n a b =a1b1+a2b2+a3b3++anbn
所以 ∑ i = 1 m y i x i \sum_{i=1}^{m}y_ix_i i=1myixi可以用向量点乘方式来计算。

用程序验证手推结果

下面用sklearn的线性回归模型验证上面的推导结果:

# 验证上面手推最小二乘法的结果
# sklearn中,数据都应该是二维矩阵,这里需要转换
x_train = np.array(ages).reshape(-1, 1)
y_train = np.array(weights).reshape(-1, 1)
lr = LinearRegression()
lr.fit(x_train, y_train)
print("斜率:", lr.coef_)
print("截距:", lr.intercept_)

代码输出结果

斜率: [[2.196]]
截距: [7.984]

至此,一元线性回归模型的手工推导完成。要预测后面的结果只需代入函数:
f ( x i ) = 2.196 x i + 7.984 \Large f(x_i)=2.196x_i+7.984 f(xi)=2.196xi+7.984

多元线性回归

上面的例子只是用年龄来对身高作出预测,输入就只有年龄这一项,在现实中还可以引入多个输入项对模型进行训练。例如可以加入身高、饮食量、运动时间等。
根据一元线性回归
f ( x ) = a x + b f(x)=ax+b f(x)=ax+b
假设每个样本有d个输入项,多元线性回归变为
f ( x i ) = ω 1 x i 1 + ω 2 x i 2 + … + ω d x i d + b \Large f(x_i)=\omega_1x_{i1}+\omega_2x_{i2}+\ldots+\omega_dx_{id}+b f(xi)=ω1xi1+ω2xi2++ωdxid+b
有的会加上一个随机误差项 ϵ \epsilon ϵ,公式不一样但思想相同。
y = β 0 + β 1 x 1 + β 2 x 2 + … + β k x k + ϵ \Large y=\beta_0+\beta_1x_1+\beta_2x_2+\ldots+\beta_kx_k+\epsilon y=β0+β1x1+β2x2++βkxk+ϵ
求解过程同样是用最小二乘法找出最适合的 ω \omega ω和b。而 ω \omega ω的集合就是机器学习中高大上的参数矩阵
f ( x i ) = ω T x i + b \Large f(x_i)=\omega^Tx_i+b f(xi)=ωTxi+b
在这里x与 ω \omega ω都变为矩阵。而求解过程也比一元线性回归要复杂得多,这里就不做手工推算了,直接使用sklearn集成好的库,用代码体验一下。

#增加一个身高输入项
ages_highs = [
    [1, 2, 3, 4, 5],    #年龄
    [76.5,88.5,96.8,104.1,111.3]   #标准身高
    ]
x_train =np.array(ages_highs).T  #这里需要做矩阵转置
y_train = np.array(weights).reshape(-1, 1)
lr = LinearRegression()
lr.fit(x_train, y_train)
print("斜率:", lr.coef_)
print("截距:", lr.intercept_)
lr.predict([[6,117.7]])

输出结果

斜率: [[1.67268574 0.06142186]]
截距: [3.69184031]
array([[20.95730786]])

预测结果:6岁,标准身高为117.7的儿童,体重为20.957。

  • 1
    点赞
  • 17
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值