线性回归的原理及Python实现

您所在的位置：网站首页 › python增加千位分隔符 › 线性回归的原理及Python实现

线性回归的原理及Python实现

#线性回归的原理及Python实现| 来源: 网络整理| 查看: 265

完整实现代码请参考本人的p...哦不是...github：regression_base.pylinear_regression.pylinear_regression_example.py

1. 原理篇

我们用人话而不是大段的数学公式来讲讲线性回归是怎么一回事。

1.1 线性方程组

上小学或者中学的时候，很多人就接触过线性方程组了。举个栗子，如果x + y = 2且2x + y = 3，那么3x + 4y = ?。我们可以轻松地得出结论，解线性方程组得到x = 1且y = 1，所以3x + 4y = 3 + 4 = 7。

1.2 超定方程组

对于方程组Ra=y，R为n×m矩阵，如果R列满秩，且n>m。则方程组没有精确解，此时称方程组为超定方程组。翻译成人话就是方程组里方程的个数n太多了，比要求解的变量数m还多，这个方程是没办法求出精确解的。比如x + y = 2, 2x + y = 3且x + 2y = 4，那么我们是无法求出x和y能够同时满足这三个等式的。

1.3 线性回归问题

我们假设公司有n个同事(n = 10000)，他们的年龄为A = [a1, a2...an]，职级为B = [b1, b2...bn]，工资为C = [c1, c2...cn]，满足方程组Ax + By + z = C，我们想求出x, y 和z的值从而预测同事的工资，这样的问题就是典型的线性回归问题。我们有3个未知数x, y, z要求解，却有10000个方程，这显然是一个超定方程组。

1.4 最小二乘法

如何求解这个超定方程组呢？当当当当，最小二乘法闪亮登场了。假设n个同事有m个特征（年龄、职级等），收集这些特征组成m行n列的矩阵X，同事的工资为m行1列的矩阵Y，且满足m > n。我们要求解n个未知数W = [w1, w2...wn]和1个未知数b，满足方程组W * X + b = Y。令预测值为 $\hat Y$ ，那么有 $MSE = \large\frac{1}{m}\normalsize\sum_{1}^{m}(Y_{i} - \hat Y_{i})^2$

当我们的预测值完全等于真实值的时候，MSE等于0。根据上面的讲解，显然我们不太可能找到满足方程的精确解W，也就不可能准确地预测出Y，所以MSE不可能为0。但是我们想办法找出方程的近似解让MSE最小，这就是最小二乘法。

1.5 求近似解

如何求让MSE为零的近似解W呢？前方小段数学公式低能预警。

1. 使用MSE作为损失函数L $L = \large\frac{1}{m}\normalsize\sum_{1}^{m}(Y_{i} - \hat Y_{i})^2$ 2. 已知 $\hat Y=WX + b$

3. 对w求偏导，得 $\large\frac{\mathrm{d}L}{\mathrm{d}W}\normalsize= -\large\frac{2}{m}\normalsize\sum_{1}^{m}(Y_{i} - WX_{i} - b)X_{i}$

4. 对b求偏导，得 $\large\frac{\mathrm{d}L}{\mathrm{d}b}\normalsize= -\large\frac{2}{m}\normalsize\sum_{1}^{m}(Y_{i} - WX_{i} - b)$

所以，参数W的梯度就是式3，参数b的梯度就是式4。

1.6 梯度下降法

请参考我的另一篇文章，在这里就不赘述。链接如下：

李小文：梯度下降的原理及Python实现zhuanlan.zhihu.com

1.7 批量梯度下降

遍历数据集中所有的样本，计算梯度并更新参数，记做1个epoch。经过若干个epochs之后，算法收敛或终止，计算量较大。

1.8 随机梯度下降

使用数据集中随机的一个样本，计算梯度并更新参数，直至算法收敛或终止，计算量较小。

2. 实现篇

本人用全宇宙最简单的编程语言——Python实现了线性回归算法，没有依赖任何第三方库，便于学习和使用。简单说明一下实现过程，更详细的注释请参考本人github上的代码。

2.1 创建RegressionBase类

初始化，存储权重weights和偏置项bias。

class RegressionBase(object): def __init__(self): self.bias = None self.weights = None 2.2 创建LinearRegression类

初始化，继承RegressionBase类。

class LinearRegression(RegressionBase): def __init__(self): RegressionBase.__init__(self) 2.3 预测一个样本 def _predict(self, Xi): return sum(wi * xij for wi, xij in zip(self.weights, Xi)) + self.bias 2.4 计算梯度

根据损失函数的一阶导数计算梯度。

def _get_gradient_delta(self, Xi, yi): y_hat = self._predict(Xi) bias_grad_delta = yi - y_hat weights_grad_delta = [bias_grad_delta * Xij for Xij in Xi] return bias_grad_delta, weights_grad_delta 2.5 批量梯度下降

正态分布初始化weights，外层循环更新参数，内层循环计算梯度。

def _batch_gradient_descent(self, X, y, lr, epochs): m, n = len(X), len(X[0]) self.bias = 0 self.weights = [normalvariate(0, 0.01) for _ in range(n)] for _ in range(epochs): bias_grad = 0 weights_grad = [0 for _ in range(n)] for i in range(m): bias_grad_delta, weights_grad_delta = self._get_gradient_delta( X[i], y[i]) bias_grad += bias_grad_delta weights_grad = [w_grad + w_grad_d for w_grad, w_grad_d in zip(weights_grad, weights_grad_delta)] self.bias += lr * bias_grad * 2 / m self.weights = [w + lr * w_grad * 2 / m for w, w_grad in zip(self.weights, weights_grad)] 2.6 随机梯度下降

正态分布初始化weights，外层循环迭代epochs，内层循环随机抽样计算梯度。

def _stochastic_gradient_descent(self, X, y, lr, epochs, sample_rate): m, n = len(X), len(X[0]) k = int(m * sample_rate) self.bias = 0 self.weights = [normalvariate(0, 0.01) for _ in range(n)] for _ in range(epochs): for i in sample(range(m), k): bias_grad, weights_grad = self._get_gradient_delta(X[i], y[i]) self.bias += lr * bias_grad self.weights = [w + lr * w_grad for w, w_grad in zip(self.weights, weights_grad)] 2.7 训练模型

使用批量梯度下降或随机梯度下降训练模型。

def fit(self, X, y, lr, epochs, method="batch", sample_rate=1.0): assert method in ("batch", "stochastic") if method == "batch": self._batch_gradient_descent(X, y, lr, epochs) if method == "stochastic": self._stochastic_gradient_descent(X, y, lr, epochs, sample_rate) 2.8 预测多个样本 def predict(self, X): return [self._predict(xi) for xi in X] 3 效果评估 3.1 main函数

使用著名的波士顿房价数据集，按照7:3的比例拆分为训练集和测试集，训练模型，并统计准确度。

def main(): @run_time def batch(): print("Tesing the performance of LinearRegression(batch)...") reg = LinearRegression() reg.fit(X=X_train, y=y_train, lr=0.02, epochs=5000) get_r2(reg, X_test, y_test) @run_time def stochastic(): print("Tesing the performance of LinearRegression(stochastic)...") reg = LinearRegression() reg.fit(X=X_train, y=y_train, lr=0.001, epochs=1000, method="stochastic", sample_rate=0.5) get_r2(reg, X_test, y_test) X, y = load_boston_house_prices() X = min_max_scale(X) X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=10) batch() stochastic() 3.2 效果展示

批量梯度下降拟合优度0.784，运行时间12.6秒；随机梯度下降拟合优度0.784，运行时间1.6秒。效果还算不错~

3.3 工具函数

本人自定义了一些工具函数，可以在github上查看utils

run_time - 测试函数运行时间 load_boston_house_prices - 加载波士顿房价数据 train_test_split - 拆分训练集、测试集 get_r2 - 计算拟合优度总结

线性回归的原理：求解超定方程组。

线性回归的实现：加减法，for循环。

梯度下降的原理及Python实现逻辑回归的原理及Python实现

【本文地址】

公司简介

联系我们