scikit-learn線性迴歸,多元迴歸,多項式迴歸的實現
匹薩的直徑與價格的資料
%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([0,25,25]) 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()
訓練模型
from sklearn.linear_model import LinearRegression import numpy as np # 建立並擬合模型 model = LinearRegression() model.fit(X,y) print('預測一張12英寸匹薩價格:$%.2f' % model.predict(np.array([12]).reshape(-1,1))[0])
預測一張12英寸匹薩價格:$13.68
一元線性迴歸假設解釋變數和響應變數之間存線上性關係;這個線性模型所構成的空間是一個超平面(hyperplane)。
超平面是n維歐氏空間中餘維度等於一的線性子空間,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。
在一元線性迴歸中,一個維度是響應變數,另一個維度是解釋變數,總共兩維。因此,其超平面只有一維,就是一條線。
上述程式碼中sklearn.linear_model.LinearRegression類是一個估計器(estimator)。估計器依據觀測值來預測結果。在scikit-learn裡面,所有的估計器都帶有:
- fit()
- predict()
fit()用來分析模型引數,predict()是通過fit()算出的模型引數構成的模型,對解釋變數進行預測獲得的值。
因為所有的估計器都有這兩種方法,所有scikit-learn很容易實驗不同的模型。
一元線性迴歸模型:
y=α+βx
一元線性迴歸擬合模型的引數估計常用方法是:
- 線性最小二乘法(linear least squares)
首先,我們定義出擬合成本函式,然後對引數進行數理統計。
plt = runplt() plt.plot(X,'k.') X2 = [[0],[25]] model = LinearRegression() model.fit(X,y) y2 = model.predict(X2) plt.plot(X,'k.') plt.plot(X2,y2,'g-') plt.show()
plt = runplt() plt.plot(X,'k.') y3 = [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,'g-.') plt.plot(X2,y3,'r-.') plt.plot(X2,y4,'y-.') plt.plot(X2,y5,'o-') plt.show()
成本函式(cost function)也叫損失函式(loss function),用來定義模型與觀測值的誤差。模型預測的價格與訓練集資料的差異稱為殘差(residuals)或訓練誤差(training errors)。後面我們會用模型計算測試集,那時模型預測的價格與測試集資料的差異稱為預測誤差(prediction errors)或訓練誤差(test errors)。
模型的殘差是訓練樣本點與線性迴歸模型的縱向距離,如下圖所示:
plt = runplt() plt.plot(X,'g-') # 殘差預測值 yr = model.predict(X) for idx,x in enumerate(X): plt.plot([x,x],[y[idx],yr[idx]],'r-') plt.show()
我們可以通過殘差之和最小化實現最佳擬合,也就是說模型預測的值與訓練集的資料最接近就是最佳擬合。對模型的擬合度進行評估的函式稱為殘差平方和(residual sum of squares)成本函式。就是讓所有訓練資料與模型的殘差的平方之和最小化,如下所示:
其中,
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
解一元線性迴歸的最小二乘法
通過成本函式最小化獲得引數,我們先求相關係數 ββ 。按照頻率論的觀點,我們首先需要計算 xx 的方差和 xx 與 yy 的協方差。
方差是用來衡量樣本分散程度的。如果樣本全部相等,那麼方差為0。方差越小,表示樣本越集中,反正則樣本越分散。方差計算公式如下:
Numpy裡面有var方法可以直接計算方差,ddof引數是貝塞爾(無偏估計)校正係數(Bessel's correction),設定為1,可得樣本方差無偏估計量。
print(np.var([6,8,10,14,18],ddof=1))
23.2
協方差表示兩個變數的總體的變化趨勢。如果兩個變數的變化趨勢一致,也就是說如果其中一個大於自身的期望值,另外一個也大於自身的期望值,那麼兩個變數之間的協方差就是正值。 如果兩個變數的變化趨勢相反,即其中一個大於自身的期望值,另外一個卻小於自身的期望值,那麼兩個變數之間的協方差就是負值。如果兩個變數不相關,則協方差為0,變數線性無關不表示一定沒有其他相關性。協方差公式如下:
其中,
import numpy as np print(np.cov([6,[7,9,13,17.5,18])[0][1])
22.65
現在有了方差和協方差,就可以計算相關係統
算出
將前面的資料帶入公式就可以求出
模型評估
前面我們用學習演算法對訓練集進行估計,得出了模型的引數。有些度量方法可以用來評估預測效果,我們用R方(r-squared)評估匹薩價格預測的效果。R方也叫確定係數(coefficient of determination),表示模型對現實資料擬合的程度。計算R方的方法有幾種。一元線性迴歸中R方等於皮爾遜積矩相關係數(Pearson product moment correlation coefficient或Pearson's r)的平方。種方法計算的R方一定介於0~1之間的正數。其他計算方法,包括scikit-learn中的方法,不是用皮爾遜積矩相關係數的平方計算的,因此當模型擬合效果很差的時候R方會是負值。下面我們用scikit-learn方法來計算R方。
R方是0.6620說明測試集裡面過半數的價格都可以通過模型解釋。現在,讓我們用scikit-learn來驗證一下。LinearRegression的score方法可以計算R方:
# 測試集 X_test = [[8],[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
多元迴歸
from sklearn.linear_model import LinearRegression X = [[6,2],[8,1],[10,0],[14,[18,0]] y = [[7],[18]] model = LinearRegression() model.fit(X,y) X_test = [[8,[9,[11,[16,[12,0]] y_test = [[11],[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
多項式迴歸
上例中,我們假設解釋變數和響應變數的關係是線性的。真實情況未必如此。下面我們用多項式迴歸,一種特殊的多元線性迴歸方法,增加了指數項。現實世界中的曲線關係都是通過增加多項式實現的,其實現方式和多元線性迴歸類似。本例還用一個解釋變數,匹薩直徑。讓我們用下面的資料對兩種模型做個比較:
import numpy as np from sklearn.linear_model import LinearRegression from sklearn.preprocessing import PolynomialFeatures X_train = [[6],[18]] y_train = [[7],[18]] X_test = [[6],[16]] y_test = [[8],[12],[18]] # 建立線性迴歸,並用訓練的模型繪圖 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))
[[6],[18]] [[ 1. 6. 36.] [ 1. 8. 64.] [ 1. 10. 100.] [ 1. 14. 196.] [ 1. 18. 324.]] [[6],[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,'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,'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],regressor_cubic.predict(xx_cubic)) plt.show() print(X_train_cubic) print(X_test_cubic) print('2 r-squared',y_test)) print('3 r-squared',regressor_cubic.score(X_test_cubic,y_test))
[[ 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,'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],regressor_seventh.predict(xx_seventh)) plt.show() print('2 r-squared',y_test)) print('7 r-squared',regressor_seventh.score(X_test_seventh,y_test))
('2 r-squared',0.86754436563450732) ('7 r-squared',0.49198460568655)
可以看出,七次擬合的R方值更低,雖然其圖形基本經過了所有的點。可以認為這是擬合過度(over-fitting)的情況。這種模型並沒有從輸入和輸出中推匯出一般的規律,而是記憶訓練集的結果,這樣在測試集的測試效果就不好了。
正則化
LASSO方法會產生稀疏引數,大多數相關係數會變成0,模型只會保留一小部分特徵。而嶺迴歸還是會保留大多數儘可能小的相關係數。當兩個變數相關時,LASSO方法會讓其中一個變數的相關係數會變成0,而嶺迴歸是將兩個係數同時縮小。
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_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',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內容,希望對大家的學習有所幫助,也希望大家多多支援我們。