码迷,mamicode.com
首页 > 其他好文 > 详细

【352】线性回归损失函数求导举例

时间:2019-01-21 12:16:16      阅读:260      评论:0      收藏:0      [点我收藏+]

标签:[]   .com   div   列表   ...   init   索引   维度   这一   

参考:【351】实数对向量求导公式

参考:【352】矩阵转置性质

其他方法可参考 回归算法之线性回归


线性回归的损失函数如下:
$$E_b = {(X b - y)^T (X b - y)}$$

将转置打开,像是开平方一样,运用到上面的性质:
$$
\begin{equation*}
\begin{split}
E_b &= (X b - y)^T (X b - y)\\\\
&=((Xb)^T - y^T)(Xb-y)\\\\
&=(b^T X^T - y^T)(Xb-y)\\\\
&=b^T X^T Xb - b^T X^T y - y^T Xb + y^T y
\end{split}
\end{equation*}
$$

根据实数对向量求导的公式,对上面的实数分别对向量 $b$ 求导。

$$
\begin{equation*}
\begin{split}
\nabla_b E_b &= \nabla_b (b^T X^T Xb - b^T X^T y - y^T Xb + y^T y)\\\\
&= \nabla_b (b^T X^T Xb) - \nabla_b (b^T X^T y) - \nabla_b (y^T Xb) + \nabla_b (y^T y)\\\\
&= \nabla_b (b^T (X^T X)b) - \nabla_b (b^T (X^T y)) - \nabla_b ((y^T X)b) + 0\\\\
&= (X^T X + (X^T X)^T)b - X^T y - (y^T X)^T\\\\
&= 2 X^T X b - 2 X^T y\\\\
&= 2 X^T (Xb-y)
\end{split}
\end{equation*}
$$


Python 实现算法

通过 sklearn 实现

from sklearn import linear_model

x = [
    [100.0, 4.0],
    [50.0, 3.0],
    [100.0, 4.0],
    [100.0, 2.0],
    [50.0, 2.0],
    [80.0, 2.0],
    [75.0, 3.0],
    [65.0, 4.0],
    [90.0, 3.0],
    [90.0, 2.0]
]

y = [9.3, 4.8, 8.9, 6.5, 4.2, 6.2, 7.4, 6.0, 7.6, 6.1]

test_row = [50, 3]
sk = linear_model.LinearRegression()
sk.fit(x, y)
print(sk.coef_)
print(sk.intercept_)
print(sk.predict([test_row]))

[0.0611346 0.92342537]
-0.868701466781709
[4.95830457] 

x1, x2 = sk.coef_
print(x1)
print(x2)

0.06113459879206212
0.9234253666954272 

得到的模型为:$y = -0.87 + 0.06 \cdot x_1 + 0.92 \cdot x_2 $

参考:Python:类属性,实例属性,私有属性与静态方法,类方法,实例方法

通过矩阵计算实现

参考:回归算法之线性回归

得到正规方程组:

说明:"$$" - 表示独占一行。
参考:在Jupyter Notebook里面写Python代码和数学公式

$$
mb_0 + \sum_{i=1}^{m} x_{i1}b_1 + ... + \sum_{i=1}^{m} x_{in}b_n = \sum_{i=1}^{m} y_i
$$

$$
\sum_{i=1}^{m} x_{i1} b_0 + \sum_{i=1}^{m} x_{i1} x_{i1} b_1 + ... + \sum_{i=1}^{m} x_{i1} x_{in}b_n = \sum_{i=1}^{m} x_{i1} y_i
$$

$$...$$

$$
\sum_{i=1}^{m} x_{in} b_0 + \sum_{i=1}^{m} x_{in} x_{i1} b_1 + ... + \sum_{i=1}^{m} x_{in} x_{in}b_n = \sum_{i=1}^{m} x_{in} y_i
$$

写成矩阵表示为:

$$
\mathbf{X}^T \mathbf{X}\mathbf{B}=\mathbf{X}^T \mathbf{Y}
$$

解得:

$$
\mathbf{B}=(\mathbf{X}^T \mathbf{X})^{-1} \mathbf{X}^T \mathbf{Y}
$$

这一步的结果,与上面通过求偏导得到的结果一致,只需让导数为 0 即可。

import numpy as np
class MyLinearRegression(object):
    def __init__(self):
        # 添加属性,并且初始化,b 为列表
        self.b = []
        self.intercept_ = 0.0
        self.coef_ = []
        
    def fit(self, x:list, y:list):
        # 为每条训练数据前都添加 1,作为 b0 的系数
        point_num, future_num = np.shape(x)
        # 在原来 x 的维度基础上增加一列
        tmpx = np.ones(shape=(point_num, future_num + 1))
        # 将索引为 1 的列往后的部分赋值与 x 相同
        tmpx[:, 1:] = x
        
        # 矩阵 X
        x_mat = np.mat(tmpx)
        # 矩阵 y
        y_mat = np.mat(y).T
        # 获取矩阵 X 的转置矩阵 xT
        xT = x_mat.T
        # 直接按照公式计算
        self.b = (xT * x_mat).I * xT * y_mat
        
        # 从 b 中截取相应部分
        self.intercept_ = self.b[0]
        self.coef_ = self.b[1:]
        
    def predict(self, x):
        # [1] + x 表示将两个列表合并成一个连续的列表
        return np.mat([1] + x) * self.b
linear = MyLinearRegression()
linear.fit(x,y)
print(linear.intercept_)
print(linear.coef_)
print(linear.predict(test_row))

[[-0.86870147]]
[[0.0611346 ]
[0.92342537]]
[[4.95830457]]

【352】线性回归损失函数求导举例

标签:[]   .com   div   列表   ...   init   索引   维度   这一   

原文地址:https://www.cnblogs.com/alex-bn-lee/p/10297893.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!