記事のディレクトリ
線形回帰の紹介
線形回帰のシナリオ
-
価格予測
-
販売予測
-
融資額予報
例えば:
線形回帰とは何ですか
定義と式
線形回帰(線形回帰)を用いて回帰式(機能)するための一人の以上の独立変数(特性値)及び従属変数(目標値)との間の分析方法をモデル化するための関係。
- 特長:唯一の独立変数と複数の独立変数を重回帰ケースと呼ばれ、単一の変数回帰と呼ばれています
- 線形回帰行列で表さ例
それでは、どのようにそれを理解するには?いくつかの例で見てみましょう
- 最終的な等級:0.7×テストスコア+ 0.3×正常結果
- = 0.02×0.04 +中央領域から住宅価格×都市一酸化窒素濃度+(-0.12×ハウジングからの平均レート)+ 0.254×都市犯罪
二つの例は、上記の、我々は、特性値と目標値との関係の確立を参照して、この関係は線形モデルとして理解することができます。
線形回帰の特性と目標との間の関係の分析
** 1は直線的な関係である、二つの主要な線形回帰モデル、他は非直線的な関係であるがあります。**ここでは、唯一の面がよりよく理解されるように描くことができ、機能は例えば、単一または2のサブ機能です。
-
リニアの関係
- 単変量線形の関係:
-
多変量線形の関係
注:目標値は、2つの平面の関係を示す、請求目標特性と線形関係または関係
我々は考える必要はありません高い寸法は、あなたがこの関係を思い出すことができます
-
非直線的な関係
コメント:なぜ、この関係がありますか?その理由は何ですか?
非線形関係場合、回帰式を理解することができるよう、W 1×1 + 2×W 2 + w3x3 2
線形回帰APIを用いた予備
線形回帰API
- sklearn.linear_model.LinearRegression()
- LinearRegression.coef_:回归系数
举例
步骤分析
- 1.获取数据集
- 2.数据基本处理(该案例中省略)
- 3.特征工程(该案例中省略)
- 4.机器学习
- 5.模型评估(该案例中省略)
代码过程
- 导入模块
from sklearn.linear_model import LinearRegression
- 构造数据集
x = [[80, 86],
[82, 80],
[85, 78],
[90, 90],
[86, 82],
[82, 90],
[78, 80],
[92, 94]]
y = [84.2, 80.6, 80.1, 90, 83.2, 87.6, 79.4, 93.4]
- 机器学习-- 模型训练
# 实例化API
estimator = LinearRegression()
# 使用fit方法进行训练
estimator.fit(x,y)
estimator.coef_
estimator.predict([[100, 80]])
数学:求导
常见函数的导数
导数的四则运算
练习
矩阵(向量)求导 [了解]
线性回归的损失和优化
假设刚才的房子例子,真实的数据之间存在这样的关系
真实关系:真实房子价格 = 0.02×中心区域的距离 + 0.04×城市一氧化氮浓度 + (-0.12×自住房平均房价) + 0.254×城镇犯罪率
那么现在呢,我们随意指定一个关系(猜测)
随机指定关系:预测房子价格 = 0.25×中心区域的距离 + 0.14×城市一氧化氮浓度 + 0.42×自住房平均房价 + 0.34×城镇犯罪率
请问这样的话,会发生什么?真实结果与我们预测的结果之间是不是存在一定的误差呢?类似这样样子
既然存在这个误差,那我们就将这个误差给衡量出来
损失函数
总损失定义为:
- yi为第i个训练样本的真实值
- h(xi)为第i个训练样本特征值组合预测函数
- 又称最小二乘法
如何去减少这个损失,使我们预测的更加准确些?既然存在了这个损失,我们一直说机器学习有自动学习的功能,在线性回归这里更是能够体现。这里可以通过一些优化方法去优化(其实是数学当中的求导功能)回归的总损失!!!
优化算法
如何去求模型当中的W,使得损失最小?(目的是找到最小损失对应的W值)
线性回归经常使用的两种优化算法
正规方程
什么是正规方程
理解:X为特征值矩阵,y为目标值矩阵。直接求到最好的结果
缺点:当特征过多过复杂时,求解速度太慢并且得不到结果
正规方程求解举例
以下表示数据为例:
即:
运用正规方程方法求解参数:
正规方程的推导
- 推导方式一:
把该损失函数转换成矩阵写法:
其中y是真实值矩阵,X是特征值矩阵,w是权重矩阵
对其求解关于w的最小值,起止y,X 均已知二次函数直接求导,导数为零的位置,即为最小值。
求导:
注:(1)式(2)の導出、Xはm行n列の行列であり、しない逆行列が存在することを保証するが、マトリックスXTにそれを取るために、右に逆行列が存在することを確実にします。
式(6)導出処理、及び類似の式(5)。
- 2 [拡大]の導出:
https://www.jianshu.com/p/2b6633bd4d47