在学术研究和工程实践中，线性回归的概念广为人知。虽然线性回归模型简单，但却涵盖了机器学习中相当多的内容，在某些场景，线性回归模型是十分有效的，即使在非线性的场合，借助核函数的思想，线性回归也能胜任。其充分体现了奥卡姆剃刀原理：如无必要，勿增实体。正所谓大道至简。
本文总结了学习线性回归时的一些记录，同时也对线性回归的概念做了一些梳理
从最大似然估计理解线性回归
在解决实际问题时，很多随机现象可以看做众多因素独立作用的综合反应，这类随机现象往往近似服从正态分布。
回到线性回归中，最初，我们使用预测结果与真实结果之间的距离来定义目标函数，通过使目标函数最小，来得到最优的回归系数。
另一方面，我们假设预测结果与真实结果之间的误差是独立同分布的，服从均值为0的高斯分布，通过最大似然估计的方法，同样也可以得到类似通过距离定义的目标函数，同样通过使目标函数最小，来得到最优的回归系数。
三种梯度下降的策略
在求解上面定义的目标函数最小值的过程中，我们可以使用直接法或梯度下降法，直接法要求损失函数有解析解，而梯度下降算法对目标函数的要求较低，在应用中则更为普遍。
而在梯度下降法中，根据实际情况，有三种策略：
1、 批量梯度下降
根据所有样本的平均梯度更新回归系数
2、 随机梯度下降
每拿到一个样本，就根据其梯度更新回归系数
3、 mini-batch
每次根据若干个而非全部样本的平均梯度更新回归系数
正则化策略
上面的求解过程是以测试数据为基础的，容易造成过拟合，影响模型的泛化能力，即在其他数据上的预测能力，所以引入了正则化策略，正则化策略有三种：
1、 岭回归：给目标函数添加L2正则化项，即在使目标函数最小化的同时，使回归系数的平方和最小
2、 Lasso回归：给目标函数添加L1正则化项
3、 ElasticNe回归：给目标函数添加L1正则化项和L2正则化项
模型的评价
在回归分析中，最常用的评价模型的指标就是均方差MSE以及均方根误差RMSE，除此之外，还有回归平方和ESS、残差平方和RSS、总体平方和TSS以及R2
案例：波士顿房价预测
数据格式如下图所示，最后一列为目标值，即房价，前面13列为属性：
代码如下：
import numpy as np import matplotlib as mpl import matplotlib.pyplot as plt import pandas as pd from sklearn.model_selection import train_test_split from sklearn.preprocessing import PolynomialFeatures from sklearn.linear_model import LinearRegression, RidgeCV, LassoCV, ElasticNetCV from sklearn.pipeline import Pipeline from sklearn.metrics import mean_squared_error def not_empty(s): return s != '' if __name__ == "__main__": # 加载数据并作前置处理 file_data = pd.read_csv('housing.data', header=None) data = np.empty((len(file_data), 14)) for i, d in enumerate(file_data.values): d = list(map(float, list(filter(not_empty, d[0].split(' '))))) data[i] = d x, y = np.split(data, (13,), axis=1) y = y.ravel() # 拆分训练数据和测试数据 x_train, x_test, y_train, y_test = train_test_split(x, y, train_size=0.7, random_state=0) # 定义模型，二次特征+线性回归，其中线性回归分别采用无正则化/Ridge正则化/LASSO正则化/ElasticNet正则化 models = [Pipeline([('poly', PolynomialFeatures()), ('linear', LinearRegression(fit_intercept=False))]), Pipeline([('poly', PolynomialFeatures()), ('linear', RidgeCV(fit_intercept=False))]), Pipeline([('poly', PolynomialFeatures()), ('linear', LassoCV(fit_intercept=False))]), Pipeline([('poly', PolynomialFeatures()), ('linear', ElasticNetCV(l1_ratio=[0.1, 0.3, 0.5, 0.7, 0.99, 1], fit_intercept=False))])] # 模型标题 model_titles = ["二次特征+简单线性回归", "二次特征+岭回归", "二次特征+LASSO回归", "二次特征+ElasticNet回归"] mpl.rcParams['font.sans-serif'] = ['simHei'] mpl.rcParams['axes.unicode_minus'] = False # 绘图准备 plt.figure(figsize=(15, 10), facecolor='w') # 遍历所有模型，分别利用不同的模型进行拟合 for i in range(len(models)): plt.subplot(2, 2, i + 1) # 当前模型 model = models[i] print('开始建模: {}'.format(model_titles[i])) # 训练模型 model.fit(x_train, y_train) # 对测试数据目标值（房价）进行排序，方便显示 order = y_test.argsort(axis=0) y_test = y_test[order] x_test = x_test[order, :] # 对测试数据进行预测 y_pred = model.predict(x_test) # R2 r2 = model.score(x_test, y_test) # 均方误差 mse = mean_squared_error(y_test, y_pred) print('R2:', r2) print('均方误差：', mse) # 绘制子图 t = np.arange(len(y_pred)) plt.plot(t, y_test, 'r-', lw=2, label='真实值') plt.plot(t, y_pred, 'g-', lw=2, label='估计值') plt.legend(loc='upper left') plt.grid(True) plt.title(model_titles[i], fontsize=18) plt.xlabel('样本编号', fontsize=15) plt.ylabel('房屋价格', fontsize=15) plt.tight_layout() plt.show() # plt.savefig('Boston.png', dpi=800)
代码运行结果如下：
作者这水平有限，有不足之处欢迎留言指正
