python学习笔记：线性回归
线性回归
1.一般形式
w叫做x的系数，b叫做偏置项。
2 如何计算
2.1 Loss Function--MSE（均方误差）
利用梯度下降法找到最小值点，也就是最小误差，最后把 w 和 b 给求出来。
3 过拟合、欠拟合如何解决
使用正则化项，也就是给loss function加上一个参数项，正则化项有L1正则化、L2正则化、ElasticNet
详细了解，可参考视频什么是 L1 L2 正规化
3.1 L1正则（lasso回归）
表示上面的 loss function ，在loss function的基础上加入w参数的绝对值惩罚项。
求解J0的过程可以画出等值线。同时L1正则化的函数也可以在w1w2的二维平面上画出来。如下图：
3.2 L2正则化(岭回归)
方程：
求解J0的过程可以画出等值线。同时L2正则化的函数L也可以在w1w2的二维平面上画出来
L1正则化(Lasso回归)可以使得一些特征的系数变小,甚至还使一些绝对值较小的系数直接变为0，从而增强模型的泛化能力 。对于高的特征数据,尤其是线性关系是稀疏的，就采用L1正则化(Lasso回归),或者是要在一堆特征里面找出主要的特征，那么L1正则化(Lasso回归)更是首选了。
3.3 ElasticNet（弹性网络回归）
ElasticNet综合了L1正则化项和L2正则化项，以下是它的公式：
$min(\frac{1}{2m}[\sum_{i=1}{m}({y_i}-y_i)2+\lambda\sum_{j=1}\theta_j2]+\lambda\sum_{j=1}|\theta|)$
ElasticNet在我们发现用Lasso回归太过(太多特征被稀疏为0),而岭回归也正则化的不够(回归系数衰减太慢)的时候，可以考虑使用ElasticNet回归来综合，得到比较好的结果。
4 几种回归模型的优缺点
5 如何选择各种回归模型
6 线性回归-简单实现房屋价格预测
-
数据说明：
数据主要包括2014年5月至2015年5月美国King County的房屋销售价格以及房屋的基本信息。
数据分为训练数据和测试数据，分别保存在kc_train.csv和kc_test.csv两个文件中。
其中训练数据主要包括10000条记录，14个字段，主要字段说明如下：
第一列“销售日期”：2014年5月到2015年5月房屋出售时的日期
第二列“销售价格”：房屋交易价格，单位为美元，是目标预测值
第三列“卧室数”：房屋中的卧室数目
第四列“浴室数”：房屋中的浴室数目
第五列“房屋面积”：房屋里的生活面积
第六列“停车面积”：停车坪的面积
第七列“楼层数”：房屋的楼层数
第八列“房屋评分”：King County房屋评分系统对房屋的总体评分
第九列“建筑面积”：除了地下室之外的房屋建筑面积
第十列“地下室面积”：地下室的面积
第十一列“建筑年份”：房屋建成的年份
第十二列“修复年份”：房屋上次修复的年份
第十三列"纬度"：房屋所在纬度
第十四列“经度”：房屋所在经度 -
数据下载：点击下载，密码：mfqy。
-
说明：只是测试跑通整个流程，未做指标筛选
# 导入相关python库
import os
import numpy as np
import pandas as pd
# 设定随机种子数，目的是每次随机选择出来的数据都是一样de
np.random.seed(35)
#使用matplotlib库画图
import matplotlib
import seaborn
import matplotlib.pyplot as plot
from sklearn import datasets
# 读取数据
train = pd.read_csv('kc_train.csv')
test = pd.read_csv('kc_test.csv')
train.head(5)
| 20150302 | 545000 | 3 | 2.25 | 1670 | 6240 | 1 | 8 | 1240 | 430 | 1974 | 0 | 47.6413 | -122.113 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 20150211 | 785000 | 4 | 2.50 | 3300 | 10514 | 2.0 | 10 | 3300 | 0 | 1984 | 0 | 47.6323 | -122.036 |
| 1 | 20150107 | 765000 | 3 | 3.25 | 3190 | 5283 | 2.0 | 9 | 3190 | 0 | 2007 | 0 | 47.5534 | -122.002 |
| 2 | 20141103 | 720000 | 5 | 2.50 | 2900 | 9525 | 2.0 | 9 | 2900 | 0 | 1989 | 0 | 47.5442 | -122.138 |
| 3 | 20140603 | 449500 | 5 | 2.75 | 2040 | 7488 | 1.0 | 7 | 1200 | 840 | 1969 | 0 | 47.7289 | -122.172 |
| 4 | 20150506 | 248500 | 2 | 1.00 | 780 | 10064 | 1.0 | 7 | 780 | 0 | 1958 | 0 | 47.4913 | -122.318 |
# 查看是否有缺失值
# train.info()
# 由于第二列是需要预测的价格，我们新建一个dataframe先分离出来，为y
target = train.iloc[:,1]
target.head()
0 785000
1 765000
2 720000
3 449500
4 248500
Name: 545000, dtype: int64
# 剩下的字段组成x
train_x = train.drop(['545000','20150302'],axis=1)
train_x.head()
| 3 | 2.25 | 1670 | 6240 | 1 | 8 | 1240 | 430 | 1974 | 0 | 47.6413 | -122.113 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 4 | 2.50 | 3300 | 10514 | 2.0 | 10 | 3300 | 0 | 1984 | 0 | 47.6323 | -122.036 |
| 1 | 3 | 3.25 | 3190 | 5283 | 2.0 | 9 | 3190 | 0 | 2007 | 0 | 47.5534 | -122.002 |
| 2 | 5 | 2.50 | 2900 | 9525 | 2.0 | 9 | 2900 | 0 | 1989 | 0 | 47.5442 | -122.138 |
| 3 | 5 | 2.75 | 2040 | 7488 | 1.0 | 7 | 1200 | 840 | 1969 | 0 | 47.7289 | -122.172 |
| 4 | 2 | 1.00 | 780 | 10064 | 1.0 | 7 | 780 | 0 | 1958 | 0 | 47.4913 | -122.318 |
# 特征缩放
from sklearn.preprocessing import MinMaxScaler
minmaxscaler = MinMaxScaler()
minmaxscaler.fit(train_x)
scaler_train_x = minmaxscaler.transform(train_x)
scaler_train_x = pd.DataFrame(scaler_train_x, columns=train_x.columns)
scaler_train_x.head()
/Users/zxx/anaconda3/lib/python3.7/site-packages/sklearn/preprocessing/data.py:334: DataConversionWarning: Data with input dtype int64, float64 were all converted to float64 by MinMaxScaler.
return self.partial_fit(X, y)
| 3 | 2.25 | 1670 | 6240 | 1 | 8 | 1240 | 430 | 1974 | 0 | 47.6413 | -122.113 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 0.4 | 0.322581 | 0.306316 | 0.006023 | 0.4 | 0.7 | 0.343566 | 0.000000 | 0.730435 | 0.0 | 0.765001 | 0.401163 |
| 1 | 0.3 | 0.419355 | 0.294737 | 0.002854 | 0.4 | 0.6 | 0.330579 | 0.000000 | 0.930435 | 0.0 | 0.637393 | 0.429402 |
| 2 | 0.5 | 0.322581 | 0.264211 | 0.005423 | 0.4 | 0.6 | 0.296340 | 0.000000 | 0.773913 | 0.0 | 0.622513 | 0.316445 |
| 3 | 0.5 | 0.354839 | 0.173684 | 0.004190 | 0.0 | 0.4 | 0.095632 | 0.174274 | 0.600000 | 0.0 | 0.921236 | 0.288206 |
| 4 | 0.2 | 0.129032 | 0.041053 | 0.005750 | 0.0 | 0.4 | 0.046045 | 0.000000 | 0.504348 | 0.0 | 0.536956 | 0.166944 |
# 模型训练-简单线性回归
# 使用sklearn库的线性回归函数进行调用训练。梯度下降法获得误差最小值。最后使用均方误差法来评价模型的好坏程度，并画图进行比较。
from sklearn.linear_model import LinearRegression
LG = LinearRegression()
LG.fit(scaler_train_x,target)
LinearRegression(copy_X=True, fit_intercept=True, n_jobs=None,
normalize=False)
# 使用均方误差用于评价模型好坏
from sklearn.metrics import mean_squared_error
LG_pre = LG.predict(scaler_train_x)
mse = mean_squared_error(LG_pre,target)
mse
48987685125.245766
# 绘图进行比较
plot.figure(figsize=[10,7])
num = 100
x = np.arange(1,num+1) # 取100个点进行比较
plot.plot(x,target[:num],label='target')
plot.plot(x,LG_pre[:num],label='LG_pre')
plot.legend(loc='upper right')
plot.show()
参考资料
一文通透优化算法：从随机梯度、随机梯度下降法到牛顿法、共轭梯度
一文看懂线性回归 网站还有各类算法通俗介绍
LinearRegression
参数说明
sklearn.linear_model.LinearRegression(
fit_intercept=True #默认值为 True，表示计算随机变量，False 表示不计算随机变量
normalize=False #默认值为 False,表示在回归前是否对回归因子 X 进行归一化，True 表示是, copy_X=True)
LinearRegression 的属性有:coef_和 intercept_。coef_存储 w1 到 wp 的值，与 X 的维数一致。intercept_存储 w0 的值
from sklearn.linear_model import LinearRegression
x = [[0,1],[1,1],[2,2]]
y = [0,1,2]
clf = LinearRegression()
clf.fit(x,y)
print(clf.coef_)
print(clf.intercept_)
print(clf.predict([[3,3]]))
print(clf.score(x,y))
[1. 0.]
3.3306690738754696e-16
[3.]
1.0
Ridge Regression
from sklearn.linear_model import Ridge
Ridge回归（岭回归）
Ridge 回归用于解决两类问题:一是样本少于变量个数，二是变量间存在共线性,通过交叉验证来确定$\alpha$ 的值
alpha=1.0 公式中$\alpha$ 的值，默认为 1.0
max_iter=None #共轭梯度求解器的最大迭代次数
x = [[0,1],[1,1],[2,2]]
y = [0,1,2]
clf = Ridge()
clf.fit(x,y)
print(clf.coef_)
print(clf.intercept_)
print(clf.predict([[3,3]]))
print(clf.score(x,y))
[0.58333333 0.25 ]
0.08333333333333326
[2.58333333]
0.9097222222222223
RidgeCV:多个阿尔法，得出多个对应最佳的w,然后得到最佳的w及对应的阿尔法
from sklearn.linear_model import RidgeCV
x = [[0,1],[1,1],[2,2]]
y = [0,1,2]
clf = RidgeCV(alphas=[0.1,0.2,3,7,10,20])
clf.fit(x,y)
print(clf.coef_)
print(clf.intercept_)
print(clf.predict([[3,3]]))
print(clf.score(x,y))
print(clf.alpha_) # 表示0.1是上面几个中最好的
[0.87431694 0.16393443]
-0.09289617486341584
[3.02185792]
0.9958493833796188
0.1
Lasso Regression
估计稀疏系数的线性模型
适用于参数少的情况，因其产生稀疏矩阵，可用与特征提取
from sklearn.linear_model import Lasso
x = [[0,1],[1,1],[2,2]]
y = [0,1,2]
clf = Lasso(alpha=0.1)
clf.fit(x,y)
print(clf.coef_)
print(clf.intercept_)
print(clf.predict([[3,3]]))
print(clf.score(x,y))
[0.85 0. ]
0.15000000000000002
[2.7]
0.9775
from sklearn.linear_model import LassoCV
x = [[0,1],[1,1],[2,2]]
y = [0,1,2]
clf = LassoCV(alphas=[0.1,0.2,1,2,5,7,10])
clf.fit(x,y)
print(clf.coef_)
print(clf.intercept_)
print(clf.predict([[3,3]]))
print(clf.score(x,y))
[0.85 0. ]
0.15000000000000002
[2.7]
0.9775
/Users/zxx/anaconda3/lib/python3.7/site-packages/sklearn/model_selection/_split.py:2053: FutureWarning: You should specify a value for 'cv' instead of relying on the default value. The default value will change from 3 to 5 in version 0.22.
warnings.warn(CV_WARNING, FutureWarning)
