《機器學習實戰》學習筆記(十一):線性迴歸基礎篇之預測鮑魚年齡
作者:崔加華
編輯:祝鑫泉
前言
1
好久沒有更新了,最近中耳炎,晚上耳鳴,一度影響正常工作,慢慢吃藥調理中。在學習之餘,記得加強體育鍛煉!
前面的文章介紹了很多分類演算法,分類的目標變數是標稱型資料,而本文將會對連續型的資料做出預測。主要講解簡單的線性迴歸和區域性加權線性迴歸,並通過預測鮑魚年齡的例項進行實戰演練。
什麼是迴歸
2
迴歸的目的是預測數值型的目標值。最直接的辦法是依據輸入寫出一個目標值的計算公式。假如你想預測小姐姐男友汽車的功率,可能會這麼計算:
HorsePower = 0.0015 * annualSalary - 0.99 * hoursListeningToPublicRadio
寫成中文就是:小姐姐男友汽車的功率 = 0.0015 * 小姐姐男友年薪 - 0.99 * 收聽公共廣播的時間。
這就是所謂的迴歸方程(regression equation),其中的0.0015和-0.99稱為迴歸係數(regression weights),求這些迴歸係數的過程就是迴歸。一旦有了這些迴歸係數,再給定輸入,做預測就非常容易了。具體的做法是用迴歸係數乘以輸入值,再將結果全部加在一起,就得到了預測值。
說到迴歸,一般都是指線性迴歸(linear regression),所以本文裡的迴歸和線性迴歸代表同一個意思。線性迴歸意味著可以將輸入項分別乘以一些常量,再將結果加起來得到輸出。需要說明的是,存在另一種成為非線性迴歸的迴歸模型,該模型不認同上面的做法,比如認為輸出可能是輸入的乘積。這樣,上面的功率計算公式也可以寫做:
HorsePower = 0.0015 * annualSalary / hoursListeningToPublicRadio
這就是一個非線性迴歸的例子,本文對此不做深入討論。
揭開回歸的神祕面紗
3
1.用線性迴歸找到最佳擬合直線
應該怎麼從一大堆資料裡求出迴歸方程呢?假定輸入資料存放在矩陣X中,結果存放在向量y中:
而回歸係數存放在向量w中:
那麼對於給定的資料x1,即矩陣X的第一列資料,預測結果u1將會通過如下公式給出:
現在的問題是,手裡有資料矩陣X和對應的標籤向量y,怎麼才能找到w呢?一個常用的方法就是找出使誤差最小的w。這裡的誤差是指預測u值和真實y值之間的差值,使用該誤差的簡單累加將使得正差值和負差值相互抵消,所以我們採用平方誤差。
平方誤差和可以寫做:
用矩陣表示還可以寫做:
為啥能這麼變化,記住一個前提:若x為向量,則預設x為列向量,x^T為行向量。講上述提到的資料矩陣X和標籤向量y帶進去,就知道為何這麼變化了。
在繼續推導之前,我們要先明確一個目的:找到w,使平方誤差和最小。因為我們認為平方誤差和越小,說明線性迴歸擬合效果越好。
現在,我們用用矩陣表示的平方誤差和對w進行求導:
如果對於矩陣求不熟悉的,可以移步這裡:http://blog.csdn.net/nomadlx53/article/details/50849941
令上述公式等於0,得到:
w上方的小標記表示,這是當前可以估計出的w的最優解。從現有資料上估計出的w可能並不是資料中的真實w值,所以這裡使用了一個"帽"符號來表示它僅是w的一個最佳估計。
值得注意的是,上述公式中包含逆矩陣,也就是說,這個方程只在逆矩陣存在的時候使用,也即是這個矩陣是一個方陣,並且其行列式不為0。
上述的最佳w求解是統計學中的常見問題,除了矩陣方法外還有很多其他方法可以解決。通過呼叫NumPy庫裡的矩陣方法,我們可以僅使用幾行程式碼就完成所需功能。該方法也稱作OLS, 意思是“普通小二乘法”(ordinary least squares)。
我們先看下資料集,資料下載地址:https://github.com/Jack-Cherish/Machine-Learning/blob/master/Regression/ex0.txt
第一列都為1.0,即x0。第二列為x1,即x軸資料。第三列為x2,即y軸資料。首先繪製下資料,看下資料分佈。編寫程式碼如下:
# -*- coding:utf-8 -*-
import matplotlib.pyplot as plt
import numpy as np
def loadDataSet(fileName):
"""
函式說明:載入資料
Parameters:
fileName - 檔名
Returns:
xArr - x資料集
yArr - y資料集
Website:
http://www.cuijiahua.com/
Modify:
2017-11-12
"""
numFeat = len(open(fileName).readline().split('t')) - 1
xArr = []; yArr = []
fr = open(fileName)
for line in fr.readlines():
lineArr =[]
curLine = line.strip().split('t')
for i in range(numFeat):
lineArr.append(float(curLine[i]))
xArr.append(lineArr)
yArr.append(float(curLine[-1]))
return xArr, yArr
def plotDataSet():
"""
函式說明:繪製資料集
Parameters:
無
Returns:
無
Website:
http://www.cuijiahua.com/
Modify:
2017-11-12
"""
xArr, yArr = loadDataSet('ex0.txt') #載入資料集
n = len(xArr) #資料個數
xcord = []; ycord = [] #樣本點
for i in range(n):
xcord.append(xArr[i][1]); ycord.append(yArr[i]) #樣本點
fig = plt.figure()
ax = fig.add_subplot(111) #新增subplot
ax.scatter(xcord, ycord, s = 20, c = 'blue',alpha = .5) #繪製樣本點
plt.title('DataSet') #繪製title
plt.xlabel('X')
plt.show()
if __name__ == '__main__':
plotDataSet()
執行程式碼如下:
通過視覺化資料,我們可以看到資料的分佈情況。接下來,讓我們根據上文中推導的迴歸係數計算方法,求出迴歸係數向量,並根據迴歸係數向量繪製迴歸曲線,編寫程式碼如下:
# -*- coding:utf-8 -*-
import matplotlib.pyplot as plt
import numpy as np
def loadDataSet(fileName):
"""
函式說明:載入資料
Parameters:
fileName - 檔名
Returns:
xArr - x資料集
yArr - y資料集
Website:
http://www.cuijiahua.com/
Modify:
2017-11-12
"""
numFeat = len(open(fileName).readline().split('t')) - 1
xArr = []; yArr = []
fr = open(fileName)
for line in fr.readlines():
lineArr =[]
curLine = line.strip().split('t')
for i in range(numFeat):
lineArr.append(float(curLine[i]))
xArr.append(lineArr)
yArr.append(float(curLine[-1]))
return xArr, yArr
def standRegres(xArr,yArr):
"""
函式說明:計算迴歸係數w
Parameters:
xArr - x資料集
yArr - y資料集
Returns:
ws - 迴歸係數
Website:
http://www.cuijiahua.com/
Modify:
2017-11-12
"""
xMat = np.mat(xArr); yMat = np.mat(yArr).T
xTx = xMat.T * xMat #根據文中推導的公示計算迴歸係數
if np.linalg.det(xTx) == 0.0:
print("矩陣為奇異矩陣,不能轉置")
return
ws = xTx.I * (xMat.T*yMat)
return ws
def plotRegression():
"""
函式說明:繪製迴歸曲線和資料點
Parameters:
無
Returns:
無
Website:
http://www.cuijiahua.com/
Modify:
2017-11-12
"""
xArr, yArr = loadDataSet('ex0.txt') #載入資料集
ws = standRegres(xArr, yArr) #計算迴歸係數
xMat = np.mat(xArr) #建立xMat矩陣
yMat = np.mat(yArr) #建立yMat矩陣
xCopy = xMat.copy() #深拷貝xMat矩陣
xCopy.sort(0) #排序
yHat = xCopy * ws #計算對應的y值
fig = plt.figure()
ax = fig.add_subplot(111) #新增subplot
ax.plot(xCopy[:, 1], yHat, c = 'red') #繪製迴歸曲線
ax.scatter(xMat[:,1].flatten().A[0], yMat.flatten().A[0], s = 20, c = 'blue',alpha = .5) #繪製樣本點
plt.title('DataSet') #繪製title
plt.xlabel('X')
plt.show()
if __name__ == '__main__':
plotRegression()
執行程式碼如下:
如何判斷擬合曲線的擬合效果的如何呢?當然,我們可以根據自己的經驗進行觀察,除此之外,我們還可以使用corrcoef方法,來比較預測值和真實值的相關性。編寫程式碼如下:
# -*- coding:utf-8 -*-
import numpy as np
def loadDataSet(fileName):
"""
函式說明:載入資料
Parameters:
fileName - 檔名
Returns:
xArr - x資料集
yArr - y資料集
Website:
http://www.cuijiahua.com/
Modify:
2017-11-12
"""
numFeat = len(open(fileName).readline().split('t')) - 1
xArr = []; yArr = []
fr = open(fileName)
for line in fr.readlines():
lineArr =[]
curLine = line.strip().split('t')
for i in range(numFeat):
lineArr.append(float(curLine[i]))
xArr.append(lineArr)
yArr.append(float(curLine[-1]))
return xArr, yArr
def standRegres(xArr,yArr):
"""
函式說明:計算迴歸係數w
Parameters:
xArr - x資料集
yArr - y資料集
Returns:
ws - 迴歸係數
Website:
http://www.cuijiahua.com/
Modify:
2017-11-12
"""
xMat = np.mat(xArr); yMat = np.mat(yArr).T
xTx = xMat.T * xMat #根據文中推導的公示計算迴歸係數
if np.linalg.det(xTx) == 0.0:
print("矩陣為奇異矩陣,不能轉置")
return
ws = xTx.I * (xMat.T*yMat)
return ws
if __name__ == '__main__':
xArr, yArr = loadDataSet('ex0.txt') #載入資料集
ws = standRegres(xArr, yArr) #計算迴歸係數
xMat = np.mat(xArr) #建立xMat矩陣
yMat = np.mat(yArr) #建立yMat矩陣
yHat = xMat * ws
print(np.corrcoef(yHat.T, yMat))
執行結果如下:
可以看到,對角線上的資料是1.0,因為yMat和自己的匹配是完美的,而YHat和yMat的相關係數為0.98。
最佳擬合直線方法將資料視為直線進行建模,具有十分不錯的表現。資料當中似乎還存在其他的潛在模式。那麼如何才能利用這些模式呢?我們可以根據資料來區域性調整預測,下面就會介紹這種方法。
2.區域性加權線性迴歸
線性迴歸的一個問題是有可能出現欠擬合現象,因為它求的是具有小均方誤差的無偏估 計。顯而易見,如果模型欠擬合將不能取得好的預測效果。所以有些方法允許在估計中引入一 些偏差,從而降低預測的均方誤差。
其中的一個方法是區域性加權線性迴歸(Locally Weighted Linear Regression,LWLR)。在該方法中,我們給待預測點附近的每個點賦予一定的權重。與kNN一樣,這種演算法每次預測均需要事先選取出對應的資料子集。該演算法解除迴歸係數W的形式如下:
其中W是一個矩陣,這個公式跟我們上面推導的公式的區別就在於W,它用來給每個店賦予權重。
LWLR使用"核"(與支援向量機中的核類似)來對附近的點賦予更高的權重。核的型別可以自由選擇,最常用的核就是高斯核,高斯核對應的權重如下:
這樣我們就可以根據上述公式,編寫區域性加權線性迴歸,我們通過改變k的值,可以調節迴歸效果,編寫程式碼如下:
# -*- coding:utf-8 -*-
from matplotlib.font_manager import FontProperties
import matplotlib.pyplot as plt
import numpy as np
def loadDataSet(fileName):
"""
函式說明:載入資料
Parameters:
fileName - 檔名
Returns:
xArr - x資料集
yArr - y資料集
Website:http://www.cuijiahua.com/
Modify:
2017-11-12
"""
numFeat = len(open(fileName).readline().split('t')) - 1
xArr = []; yArr = []
fr = open(fileName)
for line in fr.readlines():
lineArr =[]
curLine = line.strip().split('t')
for i in range(numFeat):
lineArr.append(float(curLine[i]))
xArr.append(lineArr)
yArr.append(float(curLine[-1]))
return xArr, yArr
def plotlwlrRegression():
"""
函式說明:繪製多條區域性加權迴歸曲線
Parameters:
無
Returns:
無
Website:http://www.cuijiahua.com/
Modify:
2017-11-15
"""
font = FontProperties(fname=r"c:windowsfontssimsun.ttc", size=14)
xArr, yArr = loadDataSet('ex0.txt') #載入資料集
yHat_1 = lwlrTest(xArr, xArr, yArr, 1.0) #根據區域性加權線性迴歸計算yHat
yHat_2 = lwlrTest(xArr, xArr, yArr, 0.01) #根據區域性加權線性迴歸計算yHat
yHat_3 = lwlrTest(xArr, xArr, yArr, 0.003) #根據區域性加權線性迴歸計算yHat
xMat = np.mat(xArr) #建立xMat矩陣
yMat = np.mat(yArr) #建立yMat矩陣
srtInd = xMat[:, 1].argsort(0) #排序,返回索引值
xSort = xMat[srtInd][:,0,:]
fig, axs = plt.subplots(nrows=3, ncols=1,sharex=False, sharey=False, figsize=(10,8))
axs[0].plot(xSort[:, 1], yHat_1[srtInd], c = 'red') #繪製迴歸曲線
axs[1].plot(xSort[:, 1], yHat_2[srtInd], c = 'red') #繪製迴歸曲線
axs[2].plot(xSort[:, 1], yHat_3[srtInd], c = 'red') #繪製迴歸曲線
axs[0].scatter(xMat[:,1].flatten().A[0], yMat.flatten().A[0], s = 20, c = 'blue', alpha = .5) #繪製樣本點
axs[1].scatter(xMat[:,1].flatten().A[0], yMat.flatten().A[0], s = 20, c = 'blue', alpha = .5) #繪製樣本點
axs[2].scatter(xMat[:,1].flatten().A[0], yMat.flatten().A[0], s = 20, c = 'blue', alpha = .5) #繪製樣本點
#設定標題,x軸label,y軸label
axs0_title_text = axs[0].set_title(u'區域性加權迴歸曲線,k=1.0',FontProperties=font)
axs1_title_text = axs[1].set_title(u'區域性加權迴歸曲線,k=0.01',FontProperties=font)
axs2_title_text = axs[2].set_title(u'區域性加權迴歸曲線,k=0.003',FontProperties=font)
plt.setp(axs0_title_text, size=8, weight='bold', color='red')
plt.setp(axs1_title_text, size=8, weight='bold', color='red')
plt.setp(axs2_title_text, size=8, weight='bold', color='red')
plt.xlabel('X')
plt.show()
def lwlr(testPoint, xArr, yArr, k = 1.0):
"""
函式說明:使用區域性加權線性迴歸計算迴歸係數w
Parameters:
testPoint - 測試樣本點
xArr - x資料集
yArr - y資料集
k - 高斯核的k,自定義引數
Returns:
ws - 迴歸係數
Website:http://www.cuijiahua.com/
Modify:
2017-11-15
"""
xMat = np.mat(xArr); yMat = np.mat(yArr).T
m = np.shape(xMat)[0]
weights = np.mat(np.eye((m))) #建立權重對角矩陣
for j in range(m): #遍歷資料集計算每個樣本的權重
diffMat = testPoint - xMat[j, :]
weights[j, j] = np.exp(diffMat * diffMat.T/(-2.0 * k**2))
xTx = xMat.T * (weights * xMat)
if np.linalg.det(xTx) == 0.0:
print("矩陣為奇異矩陣,不能轉置")
return
ws = xTx.I * (xMat.T * (weights * yMat)) #計算迴歸係數
return testPoint * ws
def lwlrTest(testArr, xArr, yArr, k=1.0):
"""
函式說明:區域性加權線性迴歸測試
Parameters:
testArr - 測試資料集
xArr - x資料集
yArr - y資料集
k - 高斯核的k,自定義引數
Returns:
ws - 迴歸係數
Website:
http://www.cuijiahua.com/
Modify:
2017-11-15
"""
m = np.shape(testArr)[0] #計算測試資料集大小
yHat = np.zeros(m)
for i in range(m): #對每個樣本點進行預測
yHat[i] = lwlr(testArr[i],xArr,yArr,k)
return yHat
if __name__ == '__main__':
plotlwlrRegression()
執行結果如下:
可以看到,當k越小,擬合效果越好。但是當k過小,會出現過擬合的情況,例如k等於0.003的時候。
預測鮑魚的年齡
4
接下來,我們將回歸用於真是資料。在abalone.txt檔案中記錄了鮑魚(一種水生物→__→)的年齡,這個資料來自UCI資料集合的資料。鮑魚年齡可以從鮑魚殼的層數推算得到。
資料集下載地址:https://github.com/Jack-Cherish/Machine-Learning/blob/master/Regression/abalone.txt
資料集的資料如下:
可以看到,資料集是多維的,所以我們很難畫出它的分佈情況。每個維度資料的代表的含義沒有給出,不過沒有關係,我們只要知道最後一列的資料是y值就可以了,最後一列代表的是鮑魚的真實年齡,前面幾列的資料是一些鮑魚的特徵,例如鮑魚殼的層數等。我們不做資料清理,直接用上所有特徵,測試下我們的區域性加權迴歸。
新建abalone.py檔案,新增rssError函式,用於評價最後迴歸結果。編寫程式碼如下:
# -*- coding:utf-8 -*-
from matplotlib.font_manager import FontProperties
import matplotlib.pyplot as plt
import numpy as np
def loadDataSet(fileName):
"""
函式說明:載入資料
Parameters:
fileName - 檔名
Returns:
xArr - x資料集
yArr - y資料集
Website:
http://www.cuijiahua.com/
Modify:
2017-11-19
"""
numFeat = len(open(fileName).readline().split('t')) - 1
xArr = []; yArr = []
fr = open(fileName)
for line in fr.readlines():
lineArr =[]
curLine = line.strip().split('t')
for i in range(numFeat):
lineArr.append(float(curLine[i]))
xArr.append(lineArr)
yArr.append(float(curLine[-1]))
return xArr, yArr
def lwlr(testPoint, xArr, yArr, k = 1.0):
"""
函式說明:使用區域性加權線性迴歸計算迴歸係數w
Parameters:
testPoint - 測試樣本點
xArr - x資料集
yArr - y資料集
k - 高斯核的k,自定義引數
Returns:
ws - 迴歸係數
Website:
http://www.cuijiahua.com/
Modify:
2017-11-19
"""
xMat = np.mat(xArr); yMat = np.mat(yArr).T
m = np.shape(xMat)[0]
weights = np.mat(np.eye((m))) #建立權重對角矩陣
for j in range(m): #遍歷資料集計算每個樣本的權重
diffMat = testPoint - xMat[j, :]
weights[j, j] = np.exp(diffMat * diffMat.T/(-2.0 * k**2))
xTx = xMat.T * (weights * xMat)
if np.linalg.det(xTx) == 0.0:
print("矩陣為奇異矩陣,不能轉置")
return
ws = xTx.I * (xMat.T * (weights * yMat)) #計算迴歸係數
return testPoint * ws
def lwlrTest(testArr, xArr, yArr, k=1.0):
"""
函式說明:區域性加權線性迴歸測試
Parameters:
testArr - 測試資料集,測試集
xArr - x資料集,訓練集
yArr - y資料集,訓練集
k - 高斯核的k,自定義引數
Returns:
ws - 迴歸係數
Website:
http://www.cuijiahua.com/
Modify:
2017-11-19
"""
m = np.shape(testArr)[0] #計算測試資料集大小
yHat = np.zeros(m)
for i in range(m): #對每個樣本點進行預測
yHat[i] = lwlr(testArr[i],xArr,yArr,k)
return yHat
def standRegres(xArr,yArr):
"""
函式說明:計算迴歸係數w
Parameters:
xArr - x資料集
yArr - y資料集
Returns:
ws - 迴歸係數
Website:
http://www.cuijiahua.com/
Modify:
2017-11-19
"""
xMat = np.mat(xArr); yMat = np.mat(yArr).T
xTx = xMat.T * xMat #根據文中推導的公示計算迴歸係數
if np.linalg.det(xTx) == 0.0:
print("矩陣為奇異矩陣,不能轉置")
return
ws = xTx.I * (xMat.T*yMat)
return ws
def rssError(yArr, yHatArr):
"""
誤差大小評價函式
Parameters:
yArr - 真實資料
yHatArr - 預測資料
Returns:
誤差大小
"""
return ((yArr - yHatArr) **2).sum()
if __name__ == '__main__':
abX, abY = loadDataSet('abalone.txt')
print('訓練集與測試集相同:區域性加權線性迴歸,核k的大小對預測的影響:')
yHat01 = lwlrTest(abX[0:99], abX[0:99], abY[0:99], 0.1)
yHat1 = lwlrTest(abX[0:99], abX[0:99], abY[0:99], 1)
yHat10 = lwlrTest(abX[0:99], abX[0:99], abY[0:99], 10)
print('k=0.1時,誤差大小為:',rssError(abY[0:99], yHat01.T))
print('k=1 時,誤差大小為:',rssError(abY[0:99], yHat1.T))
print('k=10 時,誤差大小為:',rssError(abY[0:99], yHat10.T))
print('')
print('訓練集與測試集不同:區域性加權線性迴歸,核k的大小是越小越好嗎?更換資料集,測試結果如下:')
yHat01 = lwlrTest(abX[100:199], abX[0:99], abY[0:99], 0.1)
yHat1 = lwlrTest(abX[100:199], abX[0:99], abY[0:99], 1)
yHat10 = lwlrTest(abX[100:199], abX[0:99], abY[0:99], 10)
print('k=0.1時,誤差大小為:',rssError(abY[100:199], yHat01.T))
print('k=1 時,誤差大小為:',rssError(abY[100:199], yHat1.T))
print('k=10 時,誤差大小為:',rssError(abY[100:199], yHat10.T))
print('')
print('訓練集與測試集不同:簡單的線性歸回與k=1時的區域性加權線性迴歸對比:')
print('k=1時,誤差大小為:', rssError(abY[100:199], yHat1.T))
ws = standRegres(abX[0:99], abY[0:99])
yHat = np.mat(abX[100:199]) * ws
print('簡單的線性迴歸誤差大小:', rssError(abY[100:199], yHat.T.A))
執行結果如下:
可以看到,當k=0.1時,訓練集誤差小,但是應用於新的資料集之後,誤差反而變大了。這就是經常說道的過擬合現象。我們訓練的模型,我們要保證測試集準確率高,這樣訓練出的模型才可以應用於新的資料,也就是要加強模型的普適性。可以看到,當k=1時,區域性加權線性迴歸和簡單的線性迴歸得到的效果差不多。這也表明一點,必須在未知資料上比較效果才能選取到最佳模型。那麼最佳的核大小是10嗎?或許是,但如果想得到更好的效果,應該用10個不同的樣本集做10次測試來比較結果。
本示例展示瞭如何使用區域性加權線性迴歸來構建模型,可以得到比普通線性迴歸更好的效果。區域性加權線性迴歸的問題在於,每次必須在整個資料集上執行。也就是說為了做出預測,必須儲存所有的訓練資料。
總結
5
1.本文主要介紹了簡單的線性迴歸和區域性加權線性迴歸。
2.訓練的模型要在測試集比較它們的效果,而不是在訓練集上。
3.在區域性加權線性迴歸中,過小的核可能導致過擬合現象,即測試集表現良好,訓練集表現就渣渣了。
4.下篇文章將繼續講解迴歸,會介紹另一種提高預測精度的方法。
5.如有問題,請留言。如有錯誤,還望指正,謝謝!
PS: 如果覺得本篇本章對您有所幫助,歡迎關注、評論、贊!
本文出現的所有程式碼和資料集,均可在我的github上下載,歡迎Follow、Star:https://github.com/Jack-Cherish/Machine-Learning
參考資料:
- [1] 機器學習實戰第八章內容