码迷,mamicode.com
首页 > 其他好文 > 详细

机器学习实战6-线性回归

时间:2019-05-24 12:57:47      阅读:408      评论:0      收藏:0      [点我收藏+]

标签:hdp   term   awl   bre   mtk   file   sed   喇叭   lam   

回归不同于分类,回归是根据给定数据进行预测,例如销售量预测或者名人离婚率预测等。

1.线性回归

如果是一组二维数据,即标准的一组(x,y)数据集,使用标准线性回归就是找到一根直线能最好的拟合这组数据,使其误差最小,如下图所示:
技术图片
如果给定数据是多维,线性回归意味着将输入项分别乘上一些常量,将结果相加,就可以得到输出。
技术图片
主要任务便是求取这个权重矩阵W,使预测值y与与真实值y之间的误差值最小。
经过一系列数学骚操作(有兴趣可以查下自己推导),最后能使误差最小的权重矩阵
技术图片
python实战里面标准线性回归案例程序(结果为上图):
技术图片
 1 from numpy import *
 2 import matplotlib.pyplot as plt
 3 
 4 # 自适应数据加载函数
 5 def loadDataSet(fileName):
 6     numFeat=len(open(fileName).readline().split(\t))
 7     dataMat=[];labelMat=[]
 8     fr=open(fileName)
 9     for line in fr.readlines():
10         lineArr=[]
11         curLine=line.strip().split(\t)
12         for i in range(numFeat-1):
13             lineArr.append(float(curLine[i]))
14         dataMat.append(lineArr)
15         labelMat.append(float(curLine[-1]))
16     return dataMat,labelMat
17 
18 # 计算当前数据的回归系数最优解
19 def standRegres(xArr,yArr):
20     xMat=mat(xArr)
21     yMat=mat(yArr).T
22     xTx=xMat.T*xMat
23     if linalg.det(xTx)==0.0:
24         print("this matrix is singular,cannot do inverse")
25         return
26     ws=xTx.I*(xMat.T*yMat)
27     return ws
28 
29 # 标准线性回归画图
30 def drawStand(xMat,yMat,ws):
31     fig=plt.figure()
32     ax=fig.add_subplot(111)
33     # flatten().A[0] 能将二维转换为一维
34     ax.scatter(xMat[:,1].flatten().A[0],yMat.T[:,0].flatten().A[0])
35     yHat=xMat*ws
36     ax.plot(xMat[:,1],yHat)
37     plt.show()
38 
39 abX,abY=loadDataSet(ex0.txt)
40 ws=standRegres(abX,abY)
41 drawStand(mat(abX),mat(abY),ws)
View Code

2. 局部加权线性回归(LWLR)

当我们直接使用标准的线性回归时,很容易欠拟合,即不能很好描述数据情况,其本质原因是我们用的最小均方误差进行无偏估计。我们可以使用局部加权线性回归来解决这个问题,就1中的问题,大家可以随意感受一下。局部加权线性回归也引入了一个问题,增加了计算量,对每个点预测时都必须使用整个数据集。
技术图片

局部加权的线性规划的回归系数如下:

技术图片

技术图片

我们可以很快瞄到这里多了一个W,此处W是一个矩阵,用来给数据点赋予权重,这个矩阵求法如下公式:

技术图片

技术图片

其中,x^(i)可以理解为测试样本点,x为训练集,k为用户指定参数,我们来观察一下k的影响。

技术图片

很明了:
  1. k=1时,欠拟合,相当于普通的线性回归(所有样本点权重差不多大)
  2. k=0.01时,拟合的比较漂亮
  3. k=0.003时,过拟合(由于考虑了太多噪点)
程序:
技术图片
 1 from numpy import *
 2 import matplotlib.pyplot as plt
 3 
 4 # 自适应数据加载函数
 5 def loadDataSet(fileName):
 6     numFeat=len(open(fileName).readline().split(\t))
 7     dataMat=[];labelMat=[]
 8     fr=open(fileName)
 9     for line in fr.readlines():
10         lineArr=[]
11         curLine=line.strip().split(\t)
12         for i in range(numFeat-1):
13             lineArr.append(float(curLine[i]))
14         dataMat.append(lineArr)
15         labelMat.append(float(curLine[-1]))
16     return dataMat,labelMat
17 
18 # 局部加权线性回归函数
19 # 给单点赋予权重
20 def lwlr(testPoint,xArr,yArr,k=0.1):
21     xMat=mat(xArr)
22     yMat=mat(yArr).T
23     m=shape(xMat)[0]
24     weights=mat(eye((m))) # 初始化权重方阵
25     for j in range(m):
26         diffMat=testPoint-xMat[j,:]
27         weights[j,j]=exp(diffMat*diffMat.T/(-2.0*k**2))
28     xTx=xMat.T*(weights*xMat)
29     if linalg.det(xTx)==0.0:
30         print("this matrix is singular,cannot do inverse")
31         return
32     ws=xTx.I*(xMat.T*(weights*yMat))
33     return testPoint*ws
34 
35 # 给所有点赋予权重,并返回
36 def lwlrTest(testArr,xArr,yArr,k=1.0):
37     m=shape(testArr)[0]
38     yHat=zeros(m)
39     for i in range(m):
40         yHat[i]=lwlr(testArr[i],xArr,yArr,k)
41     return yHat
42 
43 # 计算总回归误差
44 def rssError(yArr,yHatArr):
45     return ((yArr-yHatArr)**2).sum()
46 
47 xArr,yArr=loadDataSet(ex1.txt)
48 xMat=mat(xArr)
49 yMat=mat(yArr)
50 yHat1=lwlrTest(xArr,xArr,yArr,1)
51 yHat01=lwlrTest(xArr,xArr,yArr,0.01)
52 yHat001=lwlrTest(xArr,xArr,yArr,0.003)
53 
54 srtInd=xMat[:,1].argsort(0)
55 xSort=xMat[srtInd][:,0,:]
56 fig = plt.figure()
57 ax = fig.add_subplot(131)
58 ax.set_title(k=1)
59 ax.plot(xSort[:,1],yHat1[srtInd],color=r)
60 ax.scatter(xMat[:, 1].flatten().A[0], yMat.T[:, 0].flatten().A[0],s=8)
61 ax = fig.add_subplot(132)
62 ax.set_title(k=0.01)
63 ax.plot(xSort[:,1],yHat01[srtInd],color=r)
64 ax.scatter(xMat[:, 1].flatten().A[0], yMat.T[:, 0].flatten().A[0],s=8)
65 ax = fig.add_subplot(133)
66 ax.set_title(k=0.003)
67 ax.plot(xSort[:,1],yHat001[srtInd],color=r)
68 ax.scatter(xMat[:, 1].flatten().A[0], yMat.T[:, 0].flatten().A[0],s=8)
69 plt.show()
View Code

实例:预测鲍鱼的年龄。注意此处数据特征已是多维,不像之前二维,不易可视化理解。

技术图片

两组均是以0-99组数据作为训练集,第一组是对0-99检验拟合效果,第二组是对100-199检验拟合效果。
第一组中发现,使用较小的核可以得到较小的误差,核越小易形成过拟合,对于新数据不一定有好的预测效果
第二组中发现,核最小却是误差最大的
第三组中发现,简单线性回归与k=10时的拟合效果差不多
技术图片
 1 from numpy import *
 2 import matplotlib.pyplot as plt
 3 
 4 # 自适应数据加载函数
 5 def loadDataSet(fileName):
 6     numFeat=len(open(fileName).readline().split(\t))
 7     dataMat=[];labelMat=[]
 8     fr=open(fileName)
 9     for line in fr.readlines():
10         lineArr=[]
11         curLine=line.strip().split(\t)
12         for i in range(numFeat-1):
13             lineArr.append(float(curLine[i]))
14         dataMat.append(lineArr)
15         labelMat.append(float(curLine[-1]))
16     return dataMat,labelMat
17 
18 # 局部加权线性回归函数
19 # 给单点赋予权重
20 def lwlr(testPoint,xArr,yArr,k=0.1):
21     xMat=mat(xArr)
22     yMat=mat(yArr).T
23     m=shape(xMat)[0]
24     weights=mat(eye((m))) # 初始化权重方阵
25     for j in range(m):
26         diffMat=testPoint-xMat[j,:]
27         weights[j,j]=exp(diffMat*diffMat.T/(-2.0*k**2))
28     xTx=xMat.T*(weights*xMat)
29     if linalg.det(xTx)==0.0:
30         print("this matrix is singular,cannot do inverse")
31         return
32     ws=xTx.I*(xMat.T*(weights*yMat))
33     return testPoint*ws
34 
35 # 给所有点赋予权重,并返回
36 def lwlrTest(testArr,xArr,yArr,k=1.0):
37     m=shape(testArr)[0]
38     yHat=zeros(m)
39     for i in range(m):
40         yHat[i]=lwlr(testArr[i],xArr,yArr,k)
41     return yHat
42 
43 # 计算总回归误差
44 def rssError(yArr,yHatArr):
45     return ((yArr-yHatArr)**2).sum()
46 
47 abX,abY=loadDataSet(abalone.txt)
48 yHat01=lwlrTest(abX[0:99],abX[0:99],abY[0:99],0.1)
49 yHat1=lwlrTest(abX[0:99],abX[0:99],abY[0:99],1)
50 yHat10=lwlrTest(abX[0:99],abX[0:99],abY[0:99],10)
51 rssError01=rssError(abY[0:99],yHat01.T)
52 rssError1=rssError(abY[0:99],yHat1.T)
53 rssError10=rssError(abY[0:99],yHat10.T)
54 print(rssError01,rssError1,rssError10)
55 
56 yHat_01=lwlrTest(abX[100:199],abX[0:99],abY[0:99],0.1)
57 yHat_1=lwlrTest(abX[100:199],abX[0:99],abY[0:99],1)
58 yHat_10=lwlrTest(abX[100:199],abX[0:99],abY[0:99],10)
59 rssError_01=rssError(abY[100:199],yHat_01.T)
60 rssError_1=rssError(abY[100:199],yHat_1.T)
61 rssError_10=rssError(abY[100:199],yHat_10.T)
62 print(rssError_01,rssError_1,rssError_10)
63 
64 ws=standRegres(abX[0:99],abY[0:99])
65 yHat=mat(abX[100:199])*ws
66 rssError=rssError(abY[100:199],yHat.T.A)
67 print(rssError)
View Code

3. 解决特征多于样本问题

大多数问题都是样本量远远大于特征量,但遇到了特征量大于样本该如何?
此时计算(X^T*X)    的逆矩阵会出错,许多帅比们提出了缩减方法,其中有岭回归、lasso法、前向逐步回归、LAR、PCA回归等。
缩减法的目的是去掉不重要的参数,因此可以更好理解数据。

3.1 岭回归

回归系数变为以下:
技术图片
技术图片
看代码:
技术图片
 1 from numpy import *
 2 import matplotlib.pyplot as plt
 3 
 4 # 自适应数据加载函数
 5 def loadDataSet(fileName):
 6     numFeat=len(open(fileName).readline().split(\t))
 7     dataMat=[];labelMat=[]
 8     fr=open(fileName)
 9     for line in fr.readlines():
10         lineArr=[]
11         curLine=line.strip().split(\t)
12         for i in range(numFeat-1):
13             lineArr.append(float(curLine[i]))
14         dataMat.append(lineArr)
15         labelMat.append(float(curLine[-1]))
16     return dataMat,labelMat
17 
18 # 岭回归
19 # 计算回归系数
20 def ridgeRegres(xMat,yMat,lam=0.2):
21     xTx=xMat.T*xMat
22     denom=xTx+eye(shape(xMat)[1])*lam
23     if linalg.det(denom)==0.0:
24         print("this matrix is singular,cannot do inverse")
25         return
26     ws=denom.I*(xMat.T*yMat)
27     return ws
28 
29 # 在一组lambda上测试效果
30 def ridgeTest(xArr,yArr):
31     xMat=mat(xArr)
32     yMat=mat(yArr).T
33     yMean=mean(yMat,0)
34     yMat=yMat-yMean
35     xMeans=mean(xMat,0)
36     xVar=var(xMat,0)
37     xMat=(xMat-xMeans)/xVar
38     numTestPts=30
39     wMat=zeros((numTestPts,shape(xMat)[1]))
40     for i in range(numTestPts):
41         ws=ridgeRegres(xMat,yMat,exp(i-10))
42         wMat[i,:]=ws.T
43     return wMat
44 
45 abX,abY=loadDataSet(abalone.txt)
46 ridgeWeights=ridgeTest(abX,abY)
47 fig=plt.figure()
48 ax=fig.add_subplot(111)
49 ax.plot(ridgeWeights)
50 plt.show()
View Code

技术图片

技术图片

横坐标为lamda值,数座标为回归系数
岭回归的主要参数便是lambda,lambda最小时,系数与原始线性回归一致,lambda最大时,回归系数缩减为0,喇叭口处的lamda值结果预测最好

3.2 前向逐步回归

属于一种贪心算法,即每一步都尽可能减小误差。一开始,所有的权重都设为1,然后每一步所做的决策就是对某个权重增加或者减少一个很小的值。
代码:

4.实例:乐高玩具价格预测

代码:

技术图片
  1 from numpy import *
  2 import matplotlib.pyplot as plt
  3 
  4 # 计算普通线性回归,回归系数最优解
  5 def standRegres(xArr,yArr):
  6     xMat=mat(xArr)
  7     yMat=mat(yArr).T
  8     xTx=xMat.T*xMat
  9     if linalg.det(xTx)==0.0:
 10         print("this matrix is singular,cannot do inverse")
 11         return
 12     ws=xTx.I*(xMat.T*yMat)
 13     return ws
 14 
 15 # 岭回归
 16 # 计算回归系数
 17 def ridgeRegres(xMat,yMat,lam=0.2):
 18     xTx=xMat.T*xMat
 19     denom=xTx+eye(shape(xMat)[1])*lam
 20     if linalg.det(denom)==0.0:
 21         print("this matrix is singular,cannot do inverse")
 22         return
 23     ws=denom.I*(xMat.T*yMat)
 24     return ws
 25 # 在一组lambda上测试效果
 26 def ridgeTest(xArr,yArr):
 27     xMat=mat(xArr)
 28     yMat=mat(yArr).T
 29     yMean=mean(yMat,0)
 30     yMat=yMat-yMean
 31     xMeans=mean(xMat,0)
 32     xVar=var(xMat,0)
 33     xMat=(xMat-xMeans)/xVar
 34     numTestPts=30
 35     wMat=zeros((numTestPts,shape(xMat)[1]))
 36     for i in range(numTestPts):
 37         ws=ridgeRegres(xMat,yMat,exp(i-10))
 38         wMat[i,:]=ws.T
 39     return wMat
 40 
 41 # 2.交叉验证岭回归
 42 def crossValidation(xArr,yArr,numVal=10):
 43     m=len(yArr)
 44     indexList=list(range(m))  # 创建一组包含0-76的顺序列表
 45     errorMat=zeros((numVal,30))  # 用于存放错误率的矩阵
 46     # 10折交叉验证
 47     for i in range(numVal):
 48         trainX=[]
 49         trainY=[]
 50         testX=[]
 51         testY=[]
 52         # 打乱列表,以使每一折的训练集和测试集都不一样
 53         random.shuffle(indexList)
 54         # 分配训练集和测试集,前90%放入训练集,后10%放入测试集
 55         for j in range(m):
 56             if j<m*0.9:
 57                 trainX.append(xArr[indexList[j]])
 58                 trainY.append(yArr[indexList[j]])
 59             else:
 60                 testX.append(xArr[indexList[j]])
 61                 testY.append(yArr[indexList[j]])
 62             # 使用岭回归得到回归系数矩阵,用了30个lambda创建了三十组回归系数
 63         wMat=ridgeTest(trainX,trainY)
 64         for k in range(30):
 65             matTestX=mat(testX)
 66             matTrainX=mat(trainX)
 67             meanTrain=mean(matTrainX,0)
 68             varTrain=var(matTrainX,0)
 69             # 测试集使用与训练集相同的参数进行标准化
 70             matTestX=(matTestX-meanTrain)/varTrain
 71             # 预测测试集的价格
 72             yEst=matTestX*mat(wMat[k,:]).T+mean(trainY)
 73             # 计算预测偏差
 74             errorMat[i,k]=rssError(yEst.T.A,array(testY))
 75     # 对各列求平均值
 76     meanErrors=mean(errorMat,0)
 77     minMean = float(min(meanErrors))
 78     # nonzero 返回不为0元素下标
 79     # 平均误差最小的组的回归系数即为所求最佳
 80     bestWeights = wMat[nonzero(meanErrors == minMean)]
 81     xMat = mat(xArr);
 82     yMat = mat(yArr).T
 83     meanX = mean(xMat, 0);
 84     varX = var(xMat, 0)
 85     # 数据还原标准化以前
 86     unReg = bestWeights / varX
 87     constant = -1 * sum(multiply(meanX, unReg)) + mean(yMat)  # 常数项
 88     print("the best model from Ridge Regression is:\n", unReg)
 89     print("with constant term: ", constant)
 90     return unReg, constant
 91 
 92 # 1.乐高玩具,数据依次是年份,零部件数,新旧,原始价格
 93 xArr,yArr = loadDataSet("legoAllData.txt")
 94 xMat=mat(xArr)
 95 lgX=xMat
 96 yMat=mat(yArr)
 97 lgX1=mat(ones((76,5)))
 98 lgX1[:,1:5]=xMat
 99 lgY=yMat
100 
101 # 2.普通线性回归
102 ws=standRegres(lgX1,lgY)
103 print(ws)
104 # 售价约等于=59349-29*年份-.0.03*零部件数+55*新旧+2*原始价格
105 
106 # 3.交叉验证岭回归
107 crossValidation(xArr,yArr,10)
View Code

 

 

 

 

 

机器学习实战6-线性回归

标签:hdp   term   awl   bre   mtk   file   sed   喇叭   lam   

原文地址:https://www.cnblogs.com/Ray-0808/p/10917304.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!