scikit-learn線性回歸，多元回歸，多項(xiàng)式回歸的實(shí)現(xiàn)

更新時(shí)間：2019年08月29日 10:25:13 作者：搬磚小工053

這篇文章主要介紹了scikit-learn線性回歸，多元回歸，多項(xiàng)式回歸的實(shí)現(xiàn)，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧

匹薩的直徑與價(jià)格的數(shù)據(jù)

%matplotlib inline
import matplotlib.pyplot as plt
def runplt():
  plt.figure()
  plt.title(u'diameter-cost curver')
  plt.xlabel(u'diameter')
  plt.ylabel(u'cost')
  plt.axis([0, 25, 0, 25])
  plt.grid(True)
  return plt

plt = runplt()
X = [[6], [8], [10], [14], [18]]
y = [[7], [9], [13], [17.5], [18]]
plt.plot(X, y, 'k.')
plt.show()

這里寫圖片描述

訓(xùn)練模型

from sklearn.linear_model import LinearRegression
import numpy as np
# 創(chuàng)建并擬合模型
model = LinearRegression()
model.fit(X, y)
print('預(yù)測(cè)一張12英寸匹薩價(jià)格：$%.2f' % model.predict(np.array([12]).reshape(-1, 1))[0])

預(yù)測(cè)一張12英寸匹薩價(jià)格：$13.68

一元線性回歸假設(shè)解釋變量和響應(yīng)變量之間存在線性關(guān)系；這個(gè)線性模型所構(gòu)成的空間是一個(gè)超平面（hyperplane）。

超平面是n維歐氏空間中余維度等于一的線性子空間，如平面中的直線、空間中的平面等，總比包含它的空間少一維。

在一元線性回歸中，一個(gè)維度是響應(yīng)變量，另一個(gè)維度是解釋變量，總共兩維。因此，其超平面只有一維，就是一條線。

上述代碼中sklearn.linear_model.LinearRegression類是一個(gè)估計(jì)器（estimator）。估計(jì)器依據(jù)觀測(cè)值來(lái)預(yù)測(cè)結(jié)果。在scikit-learn里面，所有的估計(jì)器都帶有:
- fit()
- predict()

fit()用來(lái)分析模型參數(shù)，predict()是通過(guò)fit()算出的模型參數(shù)構(gòu)成的模型，對(duì)解釋變量進(jìn)行預(yù)測(cè)獲得的值。
因?yàn)樗械墓烙?jì)器都有這兩種方法，所有scikit-learn很容易實(shí)驗(yàn)不同的模型。

一元線性回歸模型：

y=α+βx

一元線性回歸擬合模型的參數(shù)估計(jì)常用方法是:
- 普通最小二乘法（ordinary least squares ）
- 線性最小二乘法（linear least squares）

首先，我們定義出擬合成本函數(shù)，然后對(duì)參數(shù)進(jìn)行數(shù)理統(tǒng)計(jì)。

plt = runplt()
plt.plot(X, y, 'k.')
X2 = [[0], [10], [14], [25]]
model = LinearRegression()
model.fit(X, y)
y2 = model.predict(X2)
plt.plot(X, y, 'k.')
plt.plot(X2, y2, 'g-')
plt.show()

這里寫圖片描述

plt = runplt()
plt.plot(X, y, 'k.')
y3 = [14.25, 14.25, 14.25, 14.25]
y4 = y2 * 0.5 + 5
model.fit(X[1:-1], y[1:-1])
y5 = model.predict(X2)
plt.plot(X, y, 'k.')
plt.plot(X2, y2, 'g-.')
plt.plot(X2, y3, 'r-.')
plt.plot(X2, y4, 'y-.')
plt.plot(X2, y5, 'o-')
plt.show()

這里寫圖片描述

成本函數(shù)（cost function）也叫損失函數(shù)（loss function），用來(lái)定義模型與觀測(cè)值的誤差。模型預(yù)測(cè)的價(jià)格與訓(xùn)練集數(shù)據(jù)的差異稱為殘差（residuals）或訓(xùn)練誤差（training errors）。后面我們會(huì)用模型計(jì)算測(cè)試集，那時(shí)模型預(yù)測(cè)的價(jià)格與測(cè)試集數(shù)據(jù)的差異稱為預(yù)測(cè)誤差（prediction errors）或訓(xùn)練誤差（test errors）。

模型的殘差是訓(xùn)練樣本點(diǎn)與線性回歸模型的縱向距離，如下圖所示：

plt = runplt()
plt.plot(X, y, 'k.')
X2 = [[0], [10], [14], [25]]
model = LinearRegression()
model.fit(X, y)
y2 = model.predict(X2)
plt.plot(X, y, 'k.')
plt.plot(X2, y2, 'g-')

# 殘差預(yù)測(cè)值
yr = model.predict(X)
for idx, x in enumerate(X):
  plt.plot([x, x], [y[idx], yr[idx]], 'r-')

plt.show()

這里寫圖片描述

我們可以通過(guò)殘差之和最小化實(shí)現(xiàn)最佳擬合，也就是說(shuō)模型預(yù)測(cè)的值與訓(xùn)練集的數(shù)據(jù)最接近就是最佳擬合。對(duì)模型的擬合度進(jìn)行評(píng)估的函數(shù)稱為殘差平方和（residual sum of squares）成本函數(shù)。就是讓所有訓(xùn)練數(shù)據(jù)與模型的殘差的平方之和最小化，如下所示：

其中， yi 是觀測(cè)值， f(xi)f(xi) 是預(yù)測(cè)值。

import numpy as np
print('殘差平方和: %.2f' % np.mean((model.predict(X) - y) ** 2))

殘差平方和: 1.75

解一元線性回歸的最小二乘法

通過(guò)成本函數(shù)最小化獲得參數(shù)，我們先求相關(guān)系數(shù) ββ 。按照頻率論的觀點(diǎn)，我們首先需要計(jì)算 xx 的方差和 xx 與 yy 的協(xié)方差。

方差是用來(lái)衡量樣本分散程度的。如果樣本全部相等，那么方差為0。方差越小，表示樣本越集中，反正則樣本越分散。方差計(jì)算公式如下：

Numpy里面有var方法可以直接計(jì)算方差，ddof參數(shù)是貝塞爾(無(wú)偏估計(jì))校正系數(shù)（Bessel's correction），設(shè)置為1，可得樣本方差無(wú)偏估計(jì)量。

print(np.var([6, 8, 10, 14, 18], ddof=1))

23.2

協(xié)方差表示兩個(gè)變量的總體的變化趨勢(shì)。如果兩個(gè)變量的變化趨勢(shì)一致，也就是說(shuō)如果其中一個(gè)大于自身的期望值，另外一個(gè)也大于自身的期望值，那么兩個(gè)變量之間的協(xié)方差就是正值。如果兩個(gè)變量的變化趨勢(shì)相反，即其中一個(gè)大于自身的期望值，另外一個(gè)卻小于自身的期望值，那么兩個(gè)變量之間的協(xié)方差就是負(fù)值。如果兩個(gè)變量不相關(guān)，則協(xié)方差為0，變量線性無(wú)關(guān)不表示一定沒(méi)有其他相關(guān)性。協(xié)方差公式如下：

其中， x¯是直徑 x的均值， xi的訓(xùn)練集的第 i個(gè)直徑樣本， y¯是價(jià)格y的均值， yi的訓(xùn)練集的第i個(gè)價(jià)格樣本， n是樣本數(shù)量。Numpy里面有cov方法可以直接計(jì)算方差。

import numpy as np
print(np.cov([6, 8, 10, 14, 18], [7, 9, 13, 17.5, 18])[0][1])

22.65

現(xiàn)在有了方差和協(xié)方差，就可以計(jì)算相關(guān)系統(tǒng) β 了。

算出β后，我們就可以計(jì)算α了：

將前面的數(shù)據(jù)帶入公式就可以求出α了：

模型評(píng)估

前面我們用學(xué)習(xí)算法對(duì)訓(xùn)練集進(jìn)行估計(jì)，得出了模型的參數(shù)。有些度量方法可以用來(lái)評(píng)估預(yù)測(cè)效果，我們用R方（r-squared）評(píng)估匹薩價(jià)格預(yù)測(cè)的效果。R方也叫確定系數(shù)（coefficient of determination），表示模型對(duì)現(xiàn)實(shí)數(shù)據(jù)擬合的程度。計(jì)算R方的方法有幾種。一元線性回歸中R方等于皮爾遜積矩相關(guān)系數(shù)（Pearson product moment correlation coefficient或Pearson's r）的平方。種方法計(jì)算的R方一定介于0～1之間的正數(shù)。其他計(jì)算方法，包括scikit-learn中的方法，不是用皮爾遜積矩相關(guān)系數(shù)的平方計(jì)算的，因此當(dāng)模型擬合效果很差的時(shí)候R方會(huì)是負(fù)值。下面我們用scikit-learn方法來(lái)計(jì)算R方。

R方是0.6620說(shuō)明測(cè)試集里面過(guò)半數(shù)的價(jià)格都可以通過(guò)模型解釋?，F(xiàn)在，讓我們用scikit-learn來(lái)驗(yàn)證一下。LinearRegression的score方法可以計(jì)算R方：

# 測(cè)試集
X_test = [[8], [9], [11], [16], [12]]
y_test = [[11], [8.5], [15], [18], [11]]
model = LinearRegression()
model.fit(X, y)
model.score(X_test, y_test)

0.66200528638545164

多元回歸

from sklearn.linear_model import LinearRegression
X = [[6, 2], [8, 1], [10, 0], [14, 2], [18, 0]]
y = [[7], [9], [13], [17.5], [18]]
model = LinearRegression()
model.fit(X, y)
X_test = [[8, 2], [9, 0], [11, 2], [16, 2], [12, 0]]
y_test = [[11], [8.5], [15], [18], [11]]
predictions = model.predict(X_test)
for i, prediction in enumerate(predictions):
  print('Predicted: %s, Target: %s' % (prediction, y_test[i]))
print('R-squared: %.2f' % model.score(X_test, y_test))

Predicted: [ 10.06250019], Target: [11]
Predicted: [ 10.28125019], Target: [8.5]
Predicted: [ 13.09375019], Target: [15]
Predicted: [ 18.14583353], Target: [18]
Predicted: [ 13.31250019], Target: [11]
R-squared: 0.77

多項(xiàng)式回歸

上例中，我們假設(shè)解釋變量和響應(yīng)變量的關(guān)系是線性的。真實(shí)情況未必如此。下面我們用多項(xiàng)式回歸，一種特殊的多元線性回歸方法，增加了指數(shù)項(xiàng)?，F(xiàn)實(shí)世界中的曲線關(guān)系都是通過(guò)增加多項(xiàng)式實(shí)現(xiàn)的，其實(shí)現(xiàn)方式和多元線性回歸類似。本例還用一個(gè)解釋變量，匹薩直徑。讓我們用下面的數(shù)據(jù)對(duì)兩種模型做個(gè)比較：

import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import PolynomialFeatures
X_train = [[6], [8], [10], [14], [18]]
y_train = [[7], [9], [13], [17.5], [18]]
X_test = [[6], [8], [11], [16]]
y_test = [[8], [12], [15], [18]]
# 建立線性回歸，并用訓(xùn)練的模型繪圖
regressor = LinearRegression()
regressor.fit(X_train, y_train)
xx = np.linspace(0, 26, 100)
yy = regressor.predict(xx.reshape(xx.shape[0], 1))
plt = runplt()
plt.plot(X_train, y_train, 'k.')
plt.plot(xx, yy)

quadratic_featurizer = PolynomialFeatures(degree=2)
X_train_quadratic = quadratic_featurizer.fit_transform(X_train)
X_test_quadratic = quadratic_featurizer.transform(X_test)
regressor_quadratic = LinearRegression()
regressor_quadratic.fit(X_train_quadratic, y_train)
xx_quadratic = quadratic_featurizer.transform(xx.reshape(xx.shape[0], 1))
plt.plot(xx, regressor_quadratic.predict(xx_quadratic), 'r-')
plt.show()
print(X_train)
print(X_train_quadratic)
print(X_test)
print(X_test_quadratic)
print('1 r-squared', regressor.score(X_test, y_test))
print('2 r-squared', regressor_quadratic.score(X_test_quadratic, y_test))

這里寫圖片描述

[[6], [8], [10], [14], [18]]
[[  1.  6.  36.]
 [  1.  8.  64.]
 [  1.  10. 100.]
 [  1.  14. 196.]
 [  1.  18. 324.]]
[[6], [8], [11], [16]]
[[  1.  6.  36.]
 [  1.  8.  64.]
 [  1.  11. 121.]
 [  1.  16. 256.]]
('1 r-squared', 0.80972683246686095)
('2 r-squared', 0.86754436563450732)

plt = runplt()
plt.plot(X_train, y_train, 'k.')

quadratic_featurizer = PolynomialFeatures(degree=2)
X_train_quadratic = quadratic_featurizer.fit_transform(X_train)
X_test_quadratic = quadratic_featurizer.transform(X_test)
regressor_quadratic = LinearRegression()
regressor_quadratic.fit(X_train_quadratic, y_train)
xx_quadratic = quadratic_featurizer.transform(xx.reshape(xx.shape[0], 1))
plt.plot(xx, regressor_quadratic.predict(xx_quadratic), 'r-')

cubic_featurizer = PolynomialFeatures(degree=3)
X_train_cubic = cubic_featurizer.fit_transform(X_train)
X_test_cubic = cubic_featurizer.transform(X_test)
regressor_cubic = LinearRegression()
regressor_cubic.fit(X_train_cubic, y_train)
xx_cubic = cubic_featurizer.transform(xx.reshape(xx.shape[0], 1))
plt.plot(xx, regressor_cubic.predict(xx_cubic))
plt.show()
print(X_train_cubic)
print(X_test_cubic)
print('2 r-squared', regressor_quadratic.score(X_test_quadratic, y_test))
print('3 r-squared', regressor_cubic.score(X_test_cubic, y_test))

這里寫圖片描述

[[ 1.00000000e+00  6.00000000e+00  3.60000000e+01  2.16000000e+02]
 [ 1.00000000e+00  8.00000000e+00  6.40000000e+01  5.12000000e+02]
 [ 1.00000000e+00  1.00000000e+01  1.00000000e+02  1.00000000e+03]
 [ 1.00000000e+00  1.40000000e+01  1.96000000e+02  2.74400000e+03]
 [ 1.00000000e+00  1.80000000e+01  3.24000000e+02  5.83200000e+03]]
[[ 1.00000000e+00  6.00000000e+00  3.60000000e+01  2.16000000e+02]
 [ 1.00000000e+00  8.00000000e+00  6.40000000e+01  5.12000000e+02]
 [ 1.00000000e+00  1.10000000e+01  1.21000000e+02  1.33100000e+03]
 [ 1.00000000e+00  1.60000000e+01  2.56000000e+02  4.09600000e+03]]
('2 r-squared', 0.86754436563450732)
('3 r-squared', 0.83569241560369567)

plt = runplt()
plt.plot(X_train, y_train, 'k.')

quadratic_featurizer = PolynomialFeatures(degree=2)
X_train_quadratic = quadratic_featurizer.fit_transform(X_train)
X_test_quadratic = quadratic_featurizer.transform(X_test)
regressor_quadratic = LinearRegression()
regressor_quadratic.fit(X_train_quadratic, y_train)
xx_quadratic = quadratic_featurizer.transform(xx.reshape(xx.shape[0], 1))
plt.plot(xx, regressor_quadratic.predict(xx_quadratic), 'r-')

seventh_featurizer = PolynomialFeatures(degree=7)
X_train_seventh = seventh_featurizer.fit_transform(X_train)
X_test_seventh = seventh_featurizer.transform(X_test)
regressor_seventh = LinearRegression()
regressor_seventh.fit(X_train_seventh, y_train)
xx_seventh = seventh_featurizer.transform(xx.reshape(xx.shape[0], 1))
plt.plot(xx, regressor_seventh.predict(xx_seventh))
plt.show()
print('2 r-squared', regressor_quadratic.score(X_test_quadratic, y_test))
print('7 r-squared', regressor_seventh.score(X_test_seventh, y_test))

這里寫圖片描述

('2 r-squared', 0.86754436563450732)
('7 r-squared', 0.49198460568655)

可以看出，七次擬合的R方值更低，雖然其圖形基本經(jīng)過(guò)了所有的點(diǎn)?？梢哉J(rèn)為這是擬合過(guò)度（over-fitting）的情況。這種模型并沒(méi)有從輸入和輸出中推導(dǎo)出一般的規(guī)律，而是記憶訓(xùn)練集的結(jié)果，這樣在測(cè)試集的測(cè)試效果就不好了。

正則化

LASSO方法會(huì)產(chǎn)生稀疏參數(shù)，大多數(shù)相關(guān)系數(shù)會(huì)變成0，模型只會(huì)保留一小部分特征。而嶺回歸還是會(huì)保留大多數(shù)盡可能小的相關(guān)系數(shù)。當(dāng)兩個(gè)變量相關(guān)時(shí)，LASSO方法會(huì)讓其中一個(gè)變量的相關(guān)系數(shù)會(huì)變成0，而嶺回歸是將兩個(gè)系數(shù)同時(shí)縮小。

import numpy as np
from sklearn.datasets import load_boston
from sklearn.linear_model import SGDRegressor
from sklearn.cross_validation import cross_val_score
from sklearn.preprocessing import StandardScaler
from sklearn.cross_validation import train_test_split
data = load_boston()
X_train, X_test, y_train, y_test = train_test_split(data.data, data.target)
X_scaler = StandardScaler()
y_scaler = StandardScaler()
X_train = X_scaler.fit_transform(X_train)
y_train = y_scaler.fit_transform(y_train.reshape(-1, 1))
X_test = X_scaler.transform(X_test)
y_test = y_scaler.transform(y_test.reshape(-1, 1))
regressor = SGDRegressor(loss='squared_loss',penalty="l1")
scores = cross_val_score(regressor, X_train, y_train.reshape(-1, 1), cv=5)
print('cv R', scores)
print('mean of cv R', np.mean(scores))
regressor.fit_transform(X_train, y_train)
print('Test set R', regressor.score(X_test, y_test))

('cv R', array([ 0.74761441, 0.62036841, 0.6851797 , 0.63347999, 0.79476346]))
('mean of cv R', 0.69628119572104885)
('Test set R', 0.75084948718041566)

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: