机器学习线性回归——概念梳理及非线性拟合

简介: 机器学习线性回归——概念梳理及非线性拟合

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

相关文章
|
13天前
|
机器学习/深度学习 人工智能 自然语言处理
机器学习之深度学习算法概念
深度学习算法是一类基于人工神经网络的机器学习方法,其核心思想是通过多层次的非线性变换,从数据中学习表示层次特征,从而实现对复杂模式的建模和学习。深度学习算法在图像识别、语音识别、自然语言处理等领域取得了巨大的成功,成为人工智能领域的重要技术之一。
39 3
|
29天前
|
机器学习/深度学习 数据采集 算法
【机器学习】线性回归:以房价预测为例
【机器学习】线性回归:以房价预测为例
89 1
|
1月前
|
机器学习/深度学习 人工智能 算法
【机器学习】深度探索:从基础概念到深度学习关键技术的全面解析——梯度下降、激活函数、正则化与批量归一化
【机器学习】深度探索:从基础概念到深度学习关键技术的全面解析——梯度下降、激活函数、正则化与批量归一化
29 3
|
1月前
|
机器学习/深度学习 数据采集 人工智能
机器学习基础概念与初步探索
机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。它专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。作为人工智能的核心,机器学习是使计算机具有智能的根本途径。未来的机器学习将具有更高的自动化水平,能够处理更加复杂和抽象的问题,为人类带来更多的便利和价值。
19 2
|
15天前
|
机器学习/深度学习 人工智能 供应链
|
29天前
|
机器学习/深度学习 监控
【机器学习】基于扩散模型的文本到音频生成:突破数据局限,优化音频概念与实践顺序
【机器学习】基于扩散模型的文本到音频生成:突破数据局限,优化音频概念与实践顺序
107 0
|
1月前
|
机器学习/深度学习 存储 算法
【机器学习】深入探索机器学习:线性回归算法的原理与应用
【机器学习】深入探索机器学习:线性回归算法的原理与应用
49 0
|
1月前
|
机器学习/深度学习 数据采集 算法
【机器学习】机器学习基础概念与初步探索
【机器学习】机器学习基础概念与初步探索
27 0
|
1月前
|
机器学习/深度学习
探索机器学习中的过拟合与欠拟合:原理与实践
在机器学习的领域中,过拟合和欠拟合是影响模型性能的两大关键问题。本文将深入解析这两个现象的原理,并通过具体案例探讨如何在实际项目中有效应对它们,从而提升模型的泛化能力和预测准确性。
188 0
|
1月前
|
机器学习/深度学习 算法
【阿旭机器学习实战】【31】股票价格预测案例--线性回归
【阿旭机器学习实战】【31】股票价格预测案例--线性回归

热门文章

最新文章