标签：scikit-learn
作为有监督学习，分类问题是预测类别结果，而回归问题是预测一个连续的结果。
Pandas是一个用于数据探索、数据处理、数据分析的Python库
import pandas as pd
# read csv file directly from a URL and save the results
data = pd.read_csv(‘http://www-bcf.usc.edu/~gareth/ISL/Advertising.csv‘, index_col=0)
# display the first 5 rows
data.head()
上面显示的结果类似一个电子表格，这个结构称为Pandas的数据帧(data frame)。
pandas的两个主要数据结构：Series和DataFrame：
# display the last 5 rows
data.tail()
# check the shape of the DataFrame(rows, colums)
data.shape
特征：
响应：
在这个案例中，我们通过不同的广告投入，预测产品销量。因为响应变量是一个连续的值，所以这个问题是一个回归问题。数据集一共有200个观测值，每一组观测对应一个市场的情况。
import seaborn as sns
%matplotlib inline
# visualize the relationship between the features and the response using scatterplots
sns.pairplot(data, x_vars=[‘TV‘,‘Radio‘,‘Newspaper‘], y_vars=‘Sales‘, size=7, aspect=0.8)
seaborn的pairplot函数绘制X的每一维度和对应Y的散点图。通过设置size和aspect参数来调节显示的大小和比例。可以从图中看出，TV特征和销量是有比较强的线性关系的，而Radio和Sales线性关系弱一些，Newspaper和Sales线性关系更弱。通过加入一个参数kind=‘reg‘，seaborn可以添加一条最佳拟合直线和95%的置信带。
sns.pairplot(data, x_vars=[‘TV‘,‘Radio‘,‘Newspaper‘], y_vars=‘Sales‘, size=7, aspect=0.8, kind=‘reg‘)
优点：快速；没有调节参数；可轻易解释；可理解
缺点：相比其他复杂一些的模型，其预测准确率不是太高，因为它假设特征和响应之间存在确定的线性关系，这种假设对于非线性的关系，线性回归模型显然不能很好的对这种数据建模。
线性模型表达式：
在这个案例中：
# create a python list of feature names
feature_cols = [‘TV‘, ‘Radio‘, ‘Newspaper‘]
# use the list to select a subset of the original DataFrame
X = data[feature_cols]
# equivalent command to do this in one line
X = data[[‘TV‘, ‘Radio‘, ‘Newspaper‘]]
# print the first 5 rows
X.head()
# check the type and shape of X
print type(X)
print X.shape
# select a Series from the DataFrame
y = data[‘Sales‘]
# equivalent command that works if there are no spaces in the column name
y = data.Sales
# print the first 5 values
y.head()
print type(y)
print y.shape
from sklearn.cross_validation import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=1)
# default split is 75% for training and 25% for testing
print X_train.shape
print y_train.shape
print X_test.shape
print y_test.shape
from sklearn.linear_model import LinearRegression
linreg = LinearRegression()
linreg.fit(X_train, y_train)
print linreg.intercept_
print linreg.coef_
# pair the feature names with the coefficients
zip(feature_cols, linreg.coef_)
如何解释各个特征对应的系数的意义？
y_pred = linreg.predict(X_test)
对于分类问题，评价测度是准确率，但这种方法不适用于回归问题。我们使用针对连续数值的评价测度(evaluation metrics)。
下面介绍三种常用的针对回归问题的评价测度
# define true and predicted response values
true = [100, 50, 30, 20]
pred = [90, 50, 50, 30]
(1)平均绝对误差(Mean Absolute Error, MAE)
(2)均方误差(Mean Squared Error, MSE)
(3)均方根误差(Root Mean Squared Error, RMSE)
from sklearn import metrics
import numpy as np
# calculate MAE by hand
print "MAE by hand:",(10 + 0 + 20 + 10)/4.
# calculate MAE using scikit-learn
print "MAE:",metrics.mean_absolute_error(true, pred)
# calculate MSE by hand
print "MSE by hand:",(10**2 + 0**2 + 20**2 + 10**2)/4.
# calculate MSE using scikit-learn
print "MSE:",metrics.mean_squared_error(true, pred)
# calculate RMSE by hand
print "RMSE by hand:",np.sqrt((10**2 + 0**2 + 20**2 + 10**2)/4.)
# calculate RMSE using scikit-learn
print "RMSE:",np.sqrt(metrics.mean_squared_error(true, pred))
print np.sqrt(metrics.mean_squared_error(y_test, y_pred))
在之前展示的数据中，我们看到Newspaper和销量之间的线性关系比较弱，现在我们移除这个特征，看看线性回归预测的结果的RMSE如何？
feature_cols = [‘TV‘, ‘Radio‘]
X = data[feature_cols]
y = data.Sales
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=1)
linreg.fit(X_train, y_train)
y_pred = linreg.predict(X_test)
print np.sqrt(metrics.mean_squared_error(y_test, y_pred))
我们将Newspaper这个特征移除之后，得到RMSE变小了，说明Newspaper特征不适合作为预测销量的特征，于是，我们得到了新的模型。我们还可以通过不同的特征组合得到新的模型，看看最终的误差是如何的。
【scikit-learn】scikit-learn的线性回归模型
标签：scikit-learn
原文地址：http://blog.csdn.net/jasonding1354/article/details/46340729
