线性回归阶段学习总结
一、如何理解线性回归模型
简单举个例子:期末总成绩=0.6 x 平时成绩 + 0.3 x 期末考试成绩 + 0.1 x 考勤
期末总成绩为目标值,平时成绩、期末考试成绩、考勤是特征值,在目标值和特征值之间建立一个关系,这个关系就可以理解为线性模型。
1、线性关系:单变量线性关系,在二维平面坐标轴上成直线表示。多变量线性关系:2个特征值则在三位平面上成平面的表示。
2、非线性关系
二、线性回归的损失和优化
1、损失
因为我们的预测结果和真实的结果一般都是存在误差的,很难完美的预测出真实的结果,只能尽可能的缩小误差。可以通过损失函数将误差给衡量出来。
损失函数:
- 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
2、优化
线性回归中最长用的两种方式:正规方程和梯度下降
(1)正规方程:
X为特征值矩阵,y为目标值矩阵。直接求到最好的结果w(w是矩阵也就是权重系数)
(2)梯度下降
a.单变量函数的梯度下降
我们假设有一个单变量的函数 :J(θ) = θ**2
函数的微分(求导):J、(θ) = 2θ
初始化,起点为: θ0 = 1
学习率:α = 0.4
我们开始进行梯度下降的迭代计算过程:
b.多变量函数的梯度下降
我们假设有一个目标函数 ::J(θ) = θ1**2 + θ2**2 (**2表示平方)
现在要通过梯度下降法计算这个函数的最小值。我们通过观察就能发现最小值其实就是 (0,0)点。但是接下 来,我们会从梯度下降算法开始一步步计算到这个最小值! 我们假设初始的起点为: θ0 = (1, 3)
初始的学习率为:α = 0.1
函数的梯度为:▽:J(θ) =< 2θ1 ,2θ2>
进行多次迭代:
α在梯度下降算法中被称作为学习率或者步长,α不能太大也不能太小,太小的话,可能导致迟迟走不到最低点,太大的话,会导致错过最低点!
梯度都要乘以一个负号!!!
梯度前加一个负号,就意味着朝着梯度相反的方向前进!我们在前文提到,梯度的方向实际就是函数在此点上升最快的方向!而我们需要朝着下降最快的方向走,自然就是负的梯度的方向,所以此处需要加上负号
三、常见的梯度下降算法
- 全梯度下降算法(Full gradient descent)(FG)
- 随机梯度下降算法(Stochastic gradient descent)(SG)
- 随机平均梯度下降算法(Stochastic average gradient descent)(SAG)
- 小批量梯度下降算法(Mini-batch gradient descent)(mini-bantch)
四、波士顿房价预测案例
回归性能评估:均方误差(Mean Squared Error)MSE)评价机制:
yi为预测值,¯y为真实值
def model():# 1.获取数据data = load_boston()# 2.数据集划分x_train, x_test, y_train, y_test = train_test_split(data.data, data.target, random_state=22)# 3.特征工程-标准化transfer = StandardScaler()x_train = transfer.fit_transform(x_train)x_test = transfer.fit_transform(x_test)# 4.机器学习-线性回归(正规方程)estimator = LinearRegression()estimator.fit(x_train, y_train)# 4.机器学习-线性回归(特征方程)estimator = SGDRegressor(max_iter=1000)estimator.fit(x_train, y_train)# 5.模型评估# 5.1 获取系数等值y_predict = estimator.predict(x_test)print("预测值为:\n", y_predict)print("模型中的系数为:\n", estimator.coef_)print("模型中的偏置为:\n", estimator.intercept_)# 5.2 评价# 均方误差error = mean_squared_error(y_test, y_predict)print("误差为:\n", error)
五、拟合,正则化,维灾难
1、过拟合:在训练数据上能够获得比其他假设更好的拟合, 但是在测试数据集上却不能很好地拟合数据(模型过于复杂)
- 原因:原始特征过多,存在一些嘈杂特征, 模型过于复杂是因为模型尝试去兼顾各个测试数据点
- 解决办法: (1)重新清洗数据,导致过拟合的一个原因也有可能是数据不纯导致的,如果出现了过拟合就需要我们重新清洗数据。 (2)增大数据的训练量,还有一个原因就是我们用于训练的数据量太小导致的,训练数据占总数据的比例过小。 (3)正则化 (4)减少特征维度,防止维灾难
2、欠拟合:在训练数据上不能获得更好的拟合,并且在测试数据集上也不能很好地拟合数据(模型过于简单)
- 原因:学习到数据的特征过少
- 解决办法:(1)添加其他特征项 (2)添加多项式特征
3、正则化
L2正则化作用:可以使得其中一些W的都很小,都接近于0,削弱某个特征的影响
优点:越小的参数说明模型越简单,越简单的模型则越不容易产生过拟合现象
例如:Ridge回归
L1正则化作用:可以使得其中一些W的值直接为0,删除这个特征的影响
例如:LASSO回归
正则化力度越大,权重系数会越小
正则化力度越小,权重系数会越大
4、正则化线性模型
- Ridge Regression 岭回归
- Lasso 回归
- Elastic Net 弹性网络
- Early stopping
5、维灾难
六、模型保存与加载
# 4.机器学习-线性回归(岭回归)# 4.1 模型训练estimator = Ridge(alpha=1)estimator.fit(x_train, y_train)# 4.2 模型保存joblib.dump(estimator, "./data/test.pkl")# 4.3 模型加载estimator = joblib.load("./data/test.pkl")
七、线性回归API总结
1、sklearn.linear_model.LinearRegression(fit_intercept=True)
(1)通过正规方程优化 (********)
(2)fit_intercept:是否计算偏置
(3)LinearRegression.coef_:回归系数
(4)LinearRegression.intercept_:偏置
2、sklearn.linear_model.SGDRegressor(loss="squared_loss", fit_intercept=True, learning_rate ='invscaling', eta0=0.01)
(1)SGDRegressor类实现了随机梯度下降学习,它支持不同的loss函数和正则化惩罚项来拟合线性回归模型。 (********)
(2)loss:损失类型loss=”squared_loss”: 普通最小二乘法
(3)fit_intercept:是否计算偏置
(4)learning_rate : string, optional
a. 学习率填充
b. 'constant': eta = eta0
c. 'optimal': eta = 1.0 / (alpha * (t + t0)) [default]
d. 'invscaling': eta = eta0 / pow(t, power_t) ------- power_t=0.25:存在父类当中
e. 对于一个常数值的学习率来说,可以使用learning_rate=’constant’ ,并使用eta0来指定学习率。
(5)SGDRegressor.coef_:回归系数
(6)SGDRegressor.intercept_:偏置
3、sklearn.metrics.mean_squared_error(y_true, y_pred)
(1)均方误差回归损失评估 (********)
(2)y_true:真实值
(3)y_pred:预测值
(4)return:浮点数结果
4、sklearn.linear_model.Ridge(alpha=1.0, fit_intercept=True,solver="auto", normalize=False)
(1)具有L2正则化的线性回归-----岭回归 (********)
(2)alpha:正则化力度,也叫 λ
(λ取值:0~1 1~10)
(3)solver:会根据数据自动选择优化方法
(sag:如果数据集、特征都比较大,选择该随机梯度下降优化)
(4)normalize:数据是否进行标准化
(normalize=False:可以在fit之前调用preprocessing.StandardScaler标准化数据)
(5)Ridge.coef_:回归权重
(6)Ridge.intercept_:回归偏置
Ridge方法相当于SGDRegressor(penalty='l2', loss="squared_loss"),只不过SGDRegressor实现了一个普通的随机梯度下降学习,推荐使用Ridge(实现了SAG)
5、sklearn.linear_model.RidgeCV(_BaseRidgeCV, RegressorMixin)
(1)交叉验证---岭回归 (********)
(2)具有l2正则化的线性回归,可以进行交叉验证
(3)coef_:回归系数
6、from sklearn.externals import joblib
(1)模型保存与加载 (********)
(2)保存:joblib.dump(estimator, 'test.pkl')
(3)加载:estimator = joblib.load('test.pkl')
模型保存要用.pkl结尾
线性回归阶段学习总结相关推荐
- 2018年计算机职称考试冲刺,2018年中级会计职称考试冲刺阶段学习计划
2018年中级会计师考试冲刺阶段复习时间段是8月12日至9月8日.经过前面一段时间的复习,相信考生已经对全书的内容有了一定的了解和掌握.在此小编为大家总结了2018年中级会计职称考试冲刺阶段学习计划, ...
- Python第一阶段学习总结
[第7天]Python第一阶段学习总结 2021/09/23 一. 元组 元组的定义 元组是容器型数据(序列),将()作为容器的标志里面多个元素用逗号隔开:(元素1, 元素2,-) 元组不可变(不支持 ...
- OpenCV作业及近阶段学习总结
OpenCV作业及近阶段学习总结 作业描述 不太理解为啥不让用OpenCV的API,明明可以直接可以一行代码搞定..... numpy代码如下: 均值滤波 import cv2 import nump ...
- Java web阶段学习总结(华清远见)
标题Java web阶段学习总结 经过web前端的学习之后,我们开启了Java web后端的学习. 学习一样新的东西首先要了解它的原理,以及所要具备的一些条件.对于Servlet 的开发步骤一般有:新 ...
- 自学大数据者请进:大数据学习线路及各阶段学习书籍推荐
大数据学习路线及各阶段学习书籍推荐!废话不多说,直接切入主题,有需要的小伙伴可以参考学习! 阶段一.大数据基础--java语言基础方面 自学大数据者请进:大数据学习线路及各阶段学习书籍.视频推荐 (1 ...
- 大数据学习线路及各阶段学习书籍推荐
大数据学习路线及各阶段学习书籍推荐!废话不多说,直接切入主题,有需要的小伙伴可以参考学习! 阶段一.大数据基础--java语言基础方面 (1)Java语言基础 Java开发介绍.熟悉Eclipse开发 ...
- 谈谈我的高中阶段学习情况以及大学现状,还有对未来的规划和憧憬
谈谈我的高中阶段学习情况以及大学现状,还有对未来的规划和憧憬 作者:Luosd 时间:2017年春节 光阴似箭,日月如梭,正是经历了这些年的光阴,才真正懂得了这句话是多么的正确,回首过去,仿佛 ...
- python数据趋势算法_Python数据拟合与广义线性回归算法学习
机器学习中的预测问题通常分为2类:回归与分类. 简单的说回归就是预测数值,而分类是给数据打上标签归类. 本文讲述如何用Python进行基本的数据拟合,以及如何对拟合结果的误差进行分析. 本例中使用一个 ...
- java程序员必看经典书单,以及各个阶段学习建议
最近,部分读者一直希望我给大家推荐java程序员必读书籍,以及java程序员每个阶段的学习建议. 今天,先给大家推荐1.0版本,后面再不断完善程序员必读书籍2.0版本. 希望,你早日成为牛逼的程序员. ...
最新文章
- .NET Core + Kubernetes:Deployment
- 4线电子围栏安装示意图_知识积累|周界防护-脉冲电子围栏的安装
- 20 个强大的 Sublime Text 插件
- CenterOS防火墙操作
- 史上最全近百条Oracle DBA日常维护SQL脚本指令
- 指针用作函数参数、指针型函数和函数指针
- Web 前端编程运维必备
- Python数据可视化——坐标轴基础
- 剧情插件Cutscene Creator uSequencer 1.3.7.1使用说明一
- pytorch 模型输出特征 保存npy
- ubuntu上通过命令行导出mysql数据库文件到widows系统上
- Socket 多人聊天室的实现 (含前后端源码讲解)(一)
- excel表格横向纵向变换_Excel新手最容易给自己挖的几个坑,手把手教你完美避雷!...
- 从“中国宙斯盾”亮相想到的
- OpenBCI_GUI通过lsl传输出来的数据是原始数据吗?
- python 声音基频f0_ASR中常用的语音特征之FBank和MFCC(原理 + Python实现)
- 处理器(CPU)结构
- element 复杂表格渲染(1)
- 3.3.4.2.2 Decimation-in-Frequency (DIF) Radix-2 FFT
- javascript实现按频次排序