关于线性回归的更多内容:Linear Models
一 线性回归简介
1.1 定义
回归方程(函数)对一个或多个自变量(特征值)和因变量(目标值)之间关系
公式:
1.2 线性回归分类
线性关系{ 单变量线性关系,多变量线性关系 }
非线性关系
二 损失函数及优化方法
2.1 损失函数(最小二乘法)
h(x)为预测值,y为真实值,预测值减去真实值的平方求和
J(w)越小越好,越接近真实值
2.2 正规方程优化算法
(1)公式
(2)推导过程
h(x) = Xw-y,求解最小w,对上述公式求导:
2.3 梯度下降优化算法
(1)梯度定义
单变量的函数中,梯度其实就是函数的微分,代表着函数在某个给定点的切线的斜率
在多变量函数中,梯度是一个向量,向量有方向,梯度的方向就指出了函数在给定点的上升最快的方向
(2)梯度下降公式
参数:
α:学习率或者步长,α不能太大也不能太小,太小的话,找到最低点的时间太长,太大的话,会导致错过最低点
负号:梯度方向是上升最快方向,负号就是下降最快方向
小结:
正规方程:LinearRegression(不能解决拟合问题)
开发中,我们使用梯度下降法更多
2.4 一些梯度下降算法
(1)全梯度下降算法(FG)
在更新参数时使用所有的样本来进行更新。
(2)随机梯度下降算法(SG)
每次只代入计算一个样本目标函数的梯度来更新权重,再取下一个样本重复此过程
(3)小批量梯度下降算法(mini-batch)
每次从训练样本集上随机抽取一个小样本集
(4)随机平均梯度下降算法(SAG)
在内存中为每一个样本都维护一个旧的梯度,随机选择第i个样本来更新此样本的梯度,其他样本的梯度保持不变,然后求得所有梯度的平均值
三 线性回归API
3.1 正规方程
sklearn.linear_model.LinearRegression(fit_intercept=True)
参数
fit_intercept:是否计算偏置
属性
LinearRegression.coef_:回归系数
LinearRegression.intercept_:偏置
回归系数和偏置:
y = kx + b
其中k是回归系数,b是偏置
3.2 梯度下降
sklearn.linear_model.SGDRegressor(loss=“squared_loss”, fit_intercept=True, learning_rate =‘invscaling’, eta0=0.01)
参数
loss:损失类型,”squared_loss”: 普通最小二乘法
fit_intercept:是否计算偏置
learning_rate : 学习率α
‘constant’: 常数
‘optimal’: 学习率会随着迭代次数的增加发生改变
‘invscaling’: 学习率会随着迭代次数的增加发生改变
属性:
SGDRegressor.coef_:回归系数
SGDRegressor.intercept_:偏置
四 线性回归模型评估
均方误差(Mean Squared Error)MSE)评价:
sklearn.metrics.mean_squared_error(y_true, y_pred)
参数:
y_true:真实值
y_pred:预测值
返回值:
均方误差:MSE
from sklearn.metrics import mean_squared_error
# 5.模型评估
# 5.1 获取预测值和属性
y_predict = estimator.predict(x_test)
estimator.coef_
estimator.intercept_
# 5.2 评价
# 均方误差
error = mean_squared_error(y_test, y_predict)
# 注意:使用梯度下降法时,设置max_iter=1000
estimator = SGDRegressor(max_iter=1000)
五 过拟合和欠拟合
5.1 过拟合
训练集上表现好,测试集上表现不好
解决方法:
1)添加其他特征项
2)添加多项式特征,如添加二次项或者三次项使模型泛化能力更强
5.2 欠拟合
训练集和测试集上都表现不好
解决方法:
1)重新清洗数据
2)增大数据的训练量
3)正则化
4)减少特征维度
5.3 正则化
正则化:在算法学习时尽量减少高次项特征的影响
L1正则化:
可以使得其中一些W的值直接为0,删除这个特征的影响
代表:LASSO回归
L2正则化
可以使得其中一些W的都很小,都接近于0,削弱某个特征的影响
代表:Ridge回归(岭回归)
(1)岭回归—Ridge回归
损失函数:
增加一项惩罚力度
**岭回归的API
sklearn.linear_model.Ridge(alpha=1.0, fit_intercept=True,solver=“auto”, normalize=False)
L2正则化
参数:
alpha:正则化力度,也叫 λ,λ取值:0-1,1-10
solver:根据数据自动选择优化方法,一般是SAG(随机平均梯度下降算法)
normalize:数据是否进行标准化
normalize=True,在fit之前自动调用preprocessing.StandardScaler标准化数据
属性:
Ridge.coef_:回归权重
Ridge.intercept_:回归偏置
from sklearn.linear_model import Ridge
# 4.机器学习-线性回归(岭回归)
estimator = Ridge(alpha=1)
sklearn.linear_model.RidgeCV(_BaseRidgeCV, RegressorMixin)
可以进行交叉验证
# 交叉验证
estimator = RidgeCV(alphas=(0.1, 1, 10))
(2)Lasso 回归
损失函数:增加ℓ1范数。
from sklearn.linear_model import Lasso
(3)弹性网络—Elastic Net
对岭回归和Lasso回归中进行了折中
from sklearn.linear_model import ElasticNet
使用小结:
岭回归 > 弹性网络(针对少部分特征数据) > Lasso回归
六 模型保存和加载
from sklearn.externals import joblib
保存:joblib.dump(estimator, ‘test.pkl’)
加载:estimator = joblib.load(‘test.pkl’)
注意:
1)保存文件的后缀名是.pkl
2)当模型的训练量非常大时,可以通过模型保存分批训练
# 4.1 模型训练
estimator = Ridge(alpha=1)
estimator.fit(x_train, y_train)
# 4.2 先进行模型训练,再保存模型
joblib.dump(estimator, "./data/test.pkl")
# 模型加载,通过estimator变量来承接
estimator = joblib.load("./data/test.pkl")
补充
-
|x|为什么在0处不可导?
函数 y=│x│是连续函数
当x>0,sign(x)=1;
当x=0,sign(x)=0;
当x<0, sign(x)=-1
在x= 0点处,其左导数为 lim[f(0+△x)-f(0)]/△x=[0-△x-0]/△x= -△x/△x=-1
其右导数为 lim[f(0+△x)-f(0)]/△x=(0+△x-0)/△x= △x/△x=1
在 x=0 处左右导数并不相等,所以 y=│x│在 x=0 处不可导 -
什么是sign()函数
sign(x)叫做符号函数,其作用是取某个数的正负号,如y=│x│
当x>0,sign(x)=1;
当x=0,sign(x)=0;
当x<0, sign(x)=-1 -
Lasso 回归,由于绝对值在顶点处不可导,所以进行计算的过程中产生很多0,为什么???
转自:L1正则化引起稀疏解的多种解释
其中一篇比较简单的, 转自:L1正则为什么更容易获得稀疏解
- 泛化误差和经验误差
经验误差(empirical error):也叫训练误差,模型在训练集上的误差。
泛化误差(generalization error):模型在新样本(测试集)上的误差。