线性回归阶段学习总结

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 d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