第二篇[机器学习] 学习机器学习，从最简单的线性回归开始

机器学习，分为监督学习和无监督学习，监督学习里有回归和分类，分类有线性回归和逻辑回归。

从最简单的线性回归开始：

通过已有数据需要预测的线性方程：

实际值和预测值的误差，求最小误差函数（最小二乘法）：

1.梯度下降法：

其中ε是步长，步长越大，下降越快，但是可能到不了局部最小值，步长越小，下降越慢，计算越多

2.正规方程直接求解：

最小二乘法正规方程组的详细推导：

https://zhuanlan.zhihu.com/p/28190949?utm_medium=social&utm_source=wechat_session

scikit-learn的线性回归代码，参考网页：

http://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py

input：

# Code source: Jaques Grobler
# License: BSD 3 clause


import matplotlib.pyplot as plt
import numpy as np
from sklearn import datasets, linear_model
from sklearn.metrics import mean_squared_error, r2_score

# Load the diabetes dataset
diabetes = datasets.load_diabetes()


# Use only one feature
diabetes_X = diabetes.data[:, np.newaxis, 2]

# Split the data into training/testing sets
diabetes_X_train = diabetes_X[:-20]
diabetes_X_test = diabetes_X[-20:]

# Split the targets into training/testing sets
diabetes_y_train = diabetes.target[:-20]
diabetes_y_test = diabetes.target[-20:]

# Create linear regression object
regr = linear_model.LinearRegression()

# Train the model using the training sets
regr.fit(diabetes_X_train, diabetes_y_train)

# Make predictions using the testing set
diabetes_y_pred = regr.predict(diabetes_X_test)

# The coefficients
print('Coefficients: \n', regr.coef_)
# The mean squared error
print("Mean squared error: %.2f"
      % mean_squared_error(diabetes_y_test, diabetes_y_pred))
# Explained variance score: 1 is perfect prediction
print('Variance score: %.2f' % r2_score(diabetes_y_test, diabetes_y_pred))

# Plot outputs
plt.scatter(diabetes_X_test, diabetes_y_test,  color='black')
plt.plot(diabetes_X_test, diabetes_y_pred, color='blue', linewidth=3)

plt.xticks(())
plt.yticks(())

plt.show()

 output：

Coefficients:
 [ 938.23786125]
Mean squared error: 2548.07
Variance score: 0.47

 在这里，分别将diabetes_X_train和diabetes_y_train带入线性回归算法里拟合，求出了系数矩阵，并输出了均方误差和方差

怎么理解这里的系数，均方误差（MSE），方差？

coefficient，即系数矩阵

方差很简单，数据与平均数之差平方和的平均数

标准差是方差的平方根偏差，个别数据与平均值之差

均方误差，包含偏差和方差

偏差和方差的关系和机器学习容量，欠拟合和过拟合的概念联系比较紧密。

一般来说，偏差较大很可能欠拟合，方差较大可能过拟合。

 

在这里，我们使用的是最简单的线性回归模型，而且没有考虑怎么优化，没有考虑把数据进行分组进行交叉验证。

接下来，我会用这个模型分析kaggle上面的titanic数据，当然，结果肯定是很不好的，但是，重点是掌握这个方法，之后再考虑选择和优化。