线性回归学习

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

以下笔记来自于黑马程序员十三天入门机器学习

线性回归

1..2 线性回归的特征与⽬标的关系分析

3.线性回归的损失和优化

4.1.2 梯度下降法的推导流程

7.1 Ridge Regression (岭回归， ⼜名 Tikhonov regularization)
7.2 Lasso Regression(Lasso 回归)
7.3 Elastic Net (弹性⽹络)

8.线性回归的改进-岭回归

9.1 sklearn模型的保存和加载API
9.2 线性回归的模型保存加载案例

1. 什幺是线性回归

1.1 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)和因变量(⽬标值)之间关系进⾏建模的⼀种分析⽅式

线性回归⽤矩阵表示举例

1…2 线性回归的特征与⽬标的关系分析

线性回归当中主要有两种模型， ⼀种是线性关系， 另⼀种是⾮线性关系。 在这⾥我们只能画⼀个平⾯更好去理解， 所以都⽤单个特征或两个特征举例⼦。

线性关系

单变量线性关系：

多变量线性关系

⾮线性关系

2 线性回归api初步使⽤

2.1 线性回归API

sklearn.linear_model.LinearRegression()

LinearRegression.coef_： 回归系数

2.2 举例

2.3 步骤分析

1.获取数据集

2.数据基本处理（该案例中省略）

3.特征⼯程（该案例中省略）

4.机器学习

5.模型评估（该案例中省略）

2.4 代码过程

导⼊模块

from sklearn.linear_model import LinearRegression

构造数据集

x = [[80, 86],
[82, 80],
[85, 78],
[90, 90],
[86, 82],
[82, 90],
[78, 80],
[92, 94]]
y = [84.2, 80.6, 80.1, 90, 83.2, 87.6, 79.4, 93.4]

机器学习– 模型训练

# 实例化API
estimator = LinearRegression()
# 使⽤fit⽅法进⾏训练
estimator.fit(x,y)
estimator.coef_
estimator.predict([[100, 80]])

3.线性回归的损失和优化

3.1 损失函数

3.2 优化算法

如何去求模型当中的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

正规⽅程
梯度下降法

3.2.1 正规⽅程

3.2.1.1什幺是正规方程

3.2.1.2 正规⽅程求解举例

3.2.1.3 正规⽅程的推导

推导⽅式⼀：

把该损失函数转换成矩阵写法：

3.2.2 梯度下降(Gradient Descent)

3.2.2.1 什幺是梯度下降

梯度下降法的基本思想可以类⽐为⼀个下⼭的过程。

假设这样⼀个场景：

⼀个⼈被困在⼭上， 需要从⼭上下来(i.e. 找到⼭的最低点， 也就是⼭⾕)。 但此时⼭上的浓雾很⼤， 导致可视度很低。因此， 下⼭的路径就⽆法确定， 他必须利⽤⾃⼰周围的信息去找到下⼭的路径。 这个时候， 他就可以利⽤梯度下降算法来帮助⾃⼰下⼭。

具体来说就是， 以他当前的所处的位置为基准， 寻找这个位置最陡峭的地⽅， 然后朝着⼭的⾼度下降的地⽅⾛， （同理， 如果我们的⽬标是上⼭， 也就是爬到⼭顶， 那幺此时应该是朝着最陡峭的⽅向往上⾛） 。 然后每⾛⼀段距离， 都反复采⽤同⼀个⽅法， 最后就能成功的抵达⼭⾕。

3.2.2.2 梯度的概念

3.2.2.3 梯度下降举例

3.2.2.4 梯度下降（Gradient Descent） 公式

2. 为什幺梯度要乘以⼀个负号？

梯度前加⼀个负号， 就意味着朝着梯度相反的⽅向前进！ 我们在前⽂提到， 梯度的⽅向实际就是函数在此点上升最快的⽅向！ ⽽我们需要朝着下降最快的⽅向⾛， ⾃然就是负的梯度的⽅向， 所以此处需要加上负号我们通过两个图更好理解梯度下降的过程

3.3 梯度下降和正规⽅程的对⽐

3.3.1 两种方法对比

3.3.2 算法选择依据：

4.梯度下降⽅法介绍

4.1 详解梯度下降算法

4.1.2 梯度下降法的推导流程

5.线性回归api再介绍

sklearn.linear_model.LinearRegression(fit_intercept=True)

通过正规⽅程优化
参数

fit_intercept： 是否计算偏置

属性

LinearRegression.coef_： 回归系数
LinearRegression.intercept_： 偏置

sklearn.linear_model.SGDRegressor(loss=“squared_loss”, fit_intercept=True, learning_rate =‘invscaling’,eta0=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。
参数：

loss:损失类型

loss=”squared_loss”: 普通最⼩⼆乘法

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 / pow(t, power_t)

power_t=0.25:存在⽗类当中

对于⼀个常数值的学习率来说， 可以使⽤learning_rate=’constant’ ， 并使⽤eta0来指定学习率。

属性：

SGDRegressor.coef_： 回归系数
SGDRegressor.intercept_： 偏置

6 ⽋拟合和过拟合

6.1 定义

6.2 原因以及解决办法

6.3 正则化

6.3.1 什幺是正则化

如何解决？

6.3.2 正则化类别

7.正则化线性模型

7.1 Ridge Regression (岭回归， ⼜名 Tikhonov regularization)

7.2 Lasso Regression(Lasso 回归)

7.3 Elastic Net (弹性⽹络)

8.线性回归的改进-岭回归

8.1 API

8.2 观察正则化程度的变化， 对结果的影响？

8.3 波⼠顿房价预测

def linear_model3():
"""
线性回归:岭回归
:return:
"""
# 1.获取数据
data = load_boston()
# 2.数据集划分
x_train, x_test, y_train, y_test = train_test_split(data.data, data.target, random_state=22)
# 3.特征⼯程-标准化
transfer = StandardScaler()
x_train = transfer.fit_transform(x_train)
x_test = transfer.fit_transform(x_test)
# 4.机器学习-线性回归(岭回归)
estimator = Ridge(alpha=1)
# estimator = RidgeCV(alphas=(0.1, 1, 10))
estimator.fit(x_train, y_train)
# 5.模型评估
# 5.1 获取系数等值
y_predict = estimator.predict(x_test)
print("预测值为:
", y_predict)
print("模型中的系数为:
", estimator.coef_)
print("模型中的偏置为:
", estimator.intercept_)
# 5.2 评价
# 均⽅误差
error = mean_squared_error(y_test, y_predict)
print("误差为:
", error)

9.模型的保存和加载

9.1 sklearn模型的保存和加载API

from sklearn.externals import joblib

保存： joblib.dump(estimator, ‘test.pkl’)
加载： estimator = joblib.load(‘test.pkl’)

9.2 线性回归的模型保存加载案例

def load_dump_demo():
"""
模型保存和加载
:return:
"""
# 1.获取数据
data = load_boston()
# 2.数据集划分
x_train, x_test, y_train, y_test = train_test_split(data.data, data.target, random_state=22)
# 3.特征⼯程-标准化
transfer = StandardScaler()
x_train = transfer.fit_transform(x_train)
x_test = transfer.fit_transform(x_test)
# 4.机器学习-线性回归(岭回归)
# # 4.1 模型训练
# estimator = Ridge(alpha=1)
# estimator.fit(x_train, y_train)
# #
# 4.2 模型保存
# joblib.dump(estimator, "./data/test.pkl")
# 4.3 模型加载
estimator = joblib.load("./data/test.pkl")
# 5.模型评估
# 5.1 获取系数等值
y_predict = estimator.predict(x_test)
print("预测值为:
", y_predict)
print("模型中的系数为:
", estimator.coef_)
print("模型中的偏置为:
", estimator.intercept_)
# 5.2 评价
# 均⽅误差
error = mean_squared_error(y_test, y_predict)
print("误差为:
", error)