线性回归原理

一元线性回归

一元线性回归其实就是从一堆训练集中去算出一条直线，使数据集到直线之间的距离差最小。

举个栗子：

唯一特征X，共有m = 500个数据数量，Y是实际结果，要从中找到一条直线，使数据集到直线之间的距离差最小，如下图所示：

那要如何去完成这个操作呢？

线性回归所提供的思路是，先假设一条直线：

$h(x) = \theta _{0} + \theta _{1} * x$

可以将特征X中每一个值 $x^{i}$ 都带入其中，得到对应的 $h\left ( x ^{i}\right )$ ，定义可以将损失定义为 $y{i}$ 和 $h\left ( x ^{i}\right )$ 之间的差值平方的和：

$loss =\Sigma \left ( h\left ( x^{i} \right ) \right - y^{i})^{2}$

而为了之后计算将其修改为

$J\left ( \theta \right ) = \frac{1}{2m}\sum_{i = 0}^{m}(h(x^{i})-y^i)^2$

接下来问题就简单了，只需要求出最小的 $J(\theta )$ 就可以了。

梯度下降

可以看出，现在的问题已经变成了一个求极值的问题，这里面有很多种方法，有最小二乘，标准方程方法，以及梯度下降等等，在这里只简要分析一下梯度下降法。

将 $\theta _{1}$ 和 $\theta _{2}$ 分别从（-50，50）中取值，算出其的损失值，可以做出如下图：

其中x、y轴就是 $\theta _{1}$ 和 $\theta _{2}$ ，z轴是 $J\left ( \theta \right ) = \frac{1}{2m}\sum_{i = 0}^{m}(h(x^{i})-y^i)^2$ 的值，现在目标就变成了从图中找到最低点，而最低点的xy轴坐标就是我们要的 $\theta$ 。

而梯度下降，顾名思义，就是要往下走，而这个往下走，方向并不随意，而是要沿着梯度最大的位置往下走，而最大，不久是它的偏导数吗，接下来要做的就是对 $J(\theta )$ 求偏导：

$\frac{\partial J(\theta ))}{\partial \theta _{0}}=\frac{1}{m}\sum_{i=1}^{m}(h_{\theta }(x^{i})-y^{i})$

$\frac{\partial J(\theta ))}{\partial \theta _{1}}=\frac{1}{m}\sum_{i=1}^{m}(h_{\theta }(x^{i})-y^{i})*x^i$

之后更新得到新的 $\theta _0$ 和 $\theta _{1}$ ：

$\theta _{0}:=\theta _{0}-\alpha \frac{1}{m}\sum_{i=1}^{m}(h_{\theta }(x^{i})-y^{i})$

$\theta _{1}:=\theta _{1} - \alpha \frac{1}{m}\sum_{i=1}^{m}(h_{\theta }(x^{i})-y^{i})*x^i$

在这个公式里突然多了一个 $\alpha$ ，它表示的是学习率，用来限定步长的大小，也很容易理解，毕竟得到的偏导是类似斜率的东西，只是一个方向，总得加个数值，才能表示向这个方向移动的距离。

对于 $\alpha$ 的取值，一般都取的比较小，但也不要太小，太小就意味着迭代步数要增加，运算时间边长。

另外，迭代的步数要自己设置。

python实现

因为并没有数据集，就自己做了一个，代码只是简单的实现了一下。

# -*- coding: utf-8 -*-
"""
Created on Wed Jun 20 17:09:13 2018

@author: 96jie
"""

#导入cv模块
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt

#数据
a = np.random.standard_normal((1, 500))
x = np.arange(0,50,0.1)
y = np.arange(20,120,0.2)
y = y - a*10
y = y[0]


#梯度下降
def Optimization(x,y,theta,learning_rate):
    for i in range(iter):
        theta = Updata(x,y,theta,learning_rate)
    return theta

def Updata(x,y,theta,learning_rate):
    m = len(x)
    sum = 0.0
    sum1 = 0.0
    alpha = learning_rate
    h = 0
    for i in range(m):
        h = theta[0] + theta[1] * x[i]
        sum += (h - y[i])
        sum1 += (h - y[i]) * x[i]
    theta[0] -= alpha * sum / m 
    theta[1] -= alpha * sum1 / m 
    return theta

#数据初始化
learning_rate = 0.001
theta = [0,0]
iter = 1000
theta = Optimization(x,y,theta,learning_rate)

plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus'] = False
'''
plt.figure(figsize=(35,35))
plt.scatter(x,y,marker='o')
plt.xticks(fontsize=40)
plt.yticks(fontsize=40)
plt.xlabel('特征X',fontsize=40)
plt.ylabel('Y',fontsize=40)
plt.title('样本',fontsize=40)
plt.savefig("样本.jpg")
'''
#可视化
b = np.arange(0,50)
c = theta[0] + b * theta[1]

plt.figure(figsize=(35,35))
plt.scatter(x,y,marker='o')
plt.plot(b,c)
plt.xticks(fontsize=40)
plt.yticks(fontsize=40)
plt.xlabel('特征X',fontsize=40)
plt.ylabel('Y',fontsize=40)
plt.title('结果',fontsize=40)
plt.savefig("结果.jpg")

线性回归（一）：一元线性回归（附python实现）

线性回归原理

一元线性回归

梯度下降

python实现

猜你喜欢