线性回归是属于机器学习里面的监督学习,与分类问题不同的是,在回归问题中,其目标是通过对训练样本的学习,得到从样本特征到样本标签直接的映射,其中,在回归问题中,样本的标签是连续值。线性回归是一类重要的回归问题。在线性回归中,目标值与特征直接存在线性关系。
本实训项目的主要内容是基于Python语言搭建出一个线性回归模型,训练出一个能够对房价进行预测的模型。
第1关:简单线性回归与多元线性回归
1.B C
第2关:线性回归的正规方程解
任务描述
本关任务:构建线性回归算法,并利用波斯顿房价数据对模型进行训练,然后对未知的房价数据进行预测。
#encoding=utf8
import numpy as np
def mse_score(y_predict,y_test):
'''
input:y_predict(ndarray):预测值
y_test(ndarray):真实值
ouput:mse(float):mse损失函数值
该方法计算损失
'''
#********* Begin *********#
s = np.square(y_test - y_predict).sum()
m = len(y_test)
mse = s/m
#print(mse)
#********* End *********#
return mse
class LinearRegression :
def __init__(self):
'''初始化线性回归模型'''
self.w = None
def fit_normal(self,train_data,train_label):
'''
input:train_data(ndarray):训练样本
train_label(ndarray):训练标签
该方法求解计算self.w的值
'''
#********* Begin *********#
'''将偏置与train_data拼接到一起
(我们输入特征中并没有那个1,所以我们需要人为的加上去)
<np.ones()表示生成一个行数与train_data一致,列数等于1且所有元素都是1的矩阵>'''
x = np.hstack([np.ones((len(train_data),1)), train_data])
#print(train_data)
y = train_label
#print(train_label)
#用正规方程求解参数
self.w = np.linalg.inv((x.T).dot(x)).dot((x.T).dot(y))
#********* End *********#
return self
def predict(self,test_data):
'''
input:test_data(ndarray):测试样本
该方法对测试样本进行预测
'''
#********* Begin *********#
'''将偏置与test_data拼接到一起
(我们输入特征中并没有那个1,所以我们需要人为的加上去)
<np.ones()表示生成一个行数与test_data一致,列数等于1且所有元素都是1的矩阵>'''
t = np.hstack([np.ones((len(test_data),1)), test_data])
#根据模型y=wx预测
pre = t.dot(self.w)
return pre
#********* End *********#
第3关:衡量线性回归的性能指标
任务描述
本关任务:根据本关卡所学知识,用Python实现线性回归常用评估指标,并对构造的线性回归模型进行评估。
#encoding=utf8
import numpy as np
#mse
def mse_score(y_predict,y_test):
mse = np.mean((y_predict-y_test)**2)
return mse
#r2
def r2_score(y_predict,y_test):
'''
input:y_predict(ndarray):预测值
y_test(ndarray):真实值
output:r2(float):r2值
'''
#********* Begin *********#
up = np.square(y_predict - y_test).sum()
down = np.square(np.mean(y_test) -y_test).sum()
r2 = 1 - up/down
#********* End *********#
return r2
class LinearRegression :
def __init__(self):
'''初始化线性回归模型'''
self.w = None
def fit_normal(self,train_data,train_label):
'''
input:train_data(ndarray):训练样本
train_label(ndarray):训练标签
'''
#********* Begin *********#
x = np.hstack([np.ones((len(train_data),1)),train_data])
y = train_label
self.w = np.linalg.inv(x.T.dot(x)).dot(x.T).dot(y)
#********* End *********#
return self
def predict(self,test_data):
'''
input:test_data(ndarray):测试样本
'''
#********* Begin *********#
x = np.hstack([np.ones((len(test_data),1)),test_data])
pre = x.dot(self.w)
return pre
#********* End *********#
第4关:sklearn中的线性回归
任务描述
本关任务:你需要调用 sklearn 中的线性回归模型,并通过波斯顿房价数据集中房价的13种属性与目标房价对线性回归模型进行训练。我们会调用你训练好的线性回归模型,来对房价进行预测。
#encoding=utf8
from sklearn.linear_model import LinearRegression
def lr_predict(train_data,train_label,test_data):
'''
input:train_data(ndarray):训练样本特征
train_label(ndarray):训练样本标签
test_data(ndarray):测试样本特征
output:predict(ndarray):测试样本预测标签
'''
#********* Begin *********#
lr = LinearRegression()
lr.fit(train_data, train_label)
predict = lr.predict(test_data)
#********* End *********#
return predict