一、概念

站在用戶的角度思考問題，與客戶深入溝通，找到羅江網(wǎng)站設(shè)計與羅江網(wǎng)站推廣的解決方案，憑借多年的經(jīng)驗，讓設(shè)計與互聯(lián)網(wǎng)技術(shù)結(jié)合，創(chuàng)造個性化、用戶體驗好的作品，建站類型包括：成都做網(wǎng)站、成都網(wǎng)站設(shè)計、企業(yè)官網(wǎng)、英文網(wǎng)站、手機端網(wǎng)站、網(wǎng)站推廣、國際域名空間、網(wǎng)站空間、企業(yè)郵箱。業(yè)務(wù)覆蓋羅江地區(qū)。

線性回歸是一種有監(jiān)督的回歸分析技術(shù)，其是找出自變量與因變量之間的因果關(guān)系，本質(zhì)上是一個函數(shù)估計的問題?；貧w分析的因變量應(yīng)該是連續(xù)變量，若因變量為離散變量，則問題就轉(zhuǎn)化為分類問題?；貧w分析主要應(yīng)用場景為預(yù)測，常用的算法有如下：線性回歸、二項式回歸、嶺回歸、Lasso等。

二、模型的表達式及推導(dǎo)

本文主要介紹線性回歸的一般推導(dǎo)，后續(xù)會推出采用梯度下降法求上述解的過程。

代碼實例

本文在實現(xiàn)線性回歸的技術(shù)時，為了作為對比，采用了多種回歸算法技術(shù)，如普通線性回歸，貝葉斯回歸，SVM，集成算法等，這樣對于算法的選擇有一個比較。下面來看具體代碼實現(xiàn)：

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt #導(dǎo)入圖形展示庫

from sklearn.linear_model import BayesianRidge,LinearRegression,ElasticNet #批量導(dǎo)入要實現(xiàn)的回歸算法

from sklearn.svm import SVR #SVM中的回歸算法

from sklearn.ensemble.gradient_boosting import GradientBoostingRegressor #集成算法

from sklearn.model_selection import cross_val_score #交叉檢驗

from sklearn.metrics import explained_variance_score,mean_absolute_error,mean_squared_error,r2_score #批量導(dǎo)入指標(biāo)算法

raw_data=np.loadtxt('D:\\data\\regression.txt')

x=raw_data[:,:-1] #分隔自變量

y=raw_data[:,-1] #分隔因變量

#訓(xùn)練回歸模型無錫婦科檢查醫(yī)院 http://www.87554006.com/

n_folds=6 #設(shè)置交叉檢驗的次數(shù)

model_br=BayesianRidge() #建立貝葉斯嶺回歸模型對象

model_lr=LinearRegression() #建立普通線性回歸模型對象

model_etc=ElasticNet() #建立彈性網(wǎng)絡(luò)回歸模型

model_svr=SVR() #建立支持向量機回歸模型

model_gbr=GradientBoostingRegressor() #建立梯度增強回歸模型對象

model_names=['BayesianRidge','LinearRegression','ElasticNet','SVR','GBR'] #不同模型的名稱列表

model_dic=[model_br,model_lr,model_etc,model_svr,model_gbr] #不同模型對象名稱的列表

cv_score_list=[] #交叉驗證結(jié)果列表

pre_y_list=[] #各個回歸模型預(yù)測的y值列表

for model in model_dic: #讀出每個回歸模型對象

scores=cross_val_score(model,x,y,cv=n_folds) #將每個回歸模型導(dǎo)入交叉檢驗?zāi)Ｐ椭凶鲇?xùn)練檢驗

cv_score_list.append(scores) #將交叉驗證結(jié)果存入到結(jié)果列表

pre_y_list.append(model.fit(x,y).predict(x)) #將回歸訓(xùn)練中得到的預(yù)測y存入到列表

#模型效果指標(biāo)評估

n_samples,n_features=x.shape #總樣本量，總特征數(shù)

model_metrics_name=[explained_variance_score,mean_absolute_error,mean_squared_error,r2_score] #回歸評估指標(biāo)對象集

model_metrics_list=[] #回歸評估指標(biāo)列表

for i in range(5): #循環(huán)每個模型索引

tmp_list=[] #每個內(nèi)循環(huán)的臨時結(jié)果列表

for m in model_metrics_name: #循環(huán)每個指標(biāo)對象

tmp_score=m(y,pre_y_list[i]) #計算每個回歸指標(biāo)結(jié)果

tmp_list.append(tmp_score) #將結(jié)果存入每個內(nèi)循環(huán)的臨時結(jié)果列表

model_metrics_list.append(tmp_list) #將結(jié)果存入到回歸評估指標(biāo)列表

df1=pd.DataFrame(cv_score_list,index=model_names) #建立交叉驗證的數(shù)據(jù)框

df2=pd.DataFrame(model_metrics_list,index=model_names,columns=['ev','mae','mse','r2']) #建立回歸指標(biāo)的數(shù)據(jù)框

print ('samples:%d\t features:%d' % (n_samples,n_features)) #打印輸出樣本量和特征數(shù)量

print (90*'-') #打印分隔線

print ('cross validation result:') #打印輸出標(biāo)題

print (df1) #打印輸出交叉檢驗的數(shù)據(jù)框

print (90*'-') #打印輸出分隔線

print ('regression metrics:') #打印輸出標(biāo)題

print (df2) #打印輸出回歸指標(biāo)的數(shù)據(jù)框

print (90*'-') #打印輸出分隔線

print ('short name \t full name') #打印輸出縮寫和全名標(biāo)題

print ('ev \t explained_variance')

print ('mae \t mean_absolute_error')

print ('mse \t mean_squared_error')

print ('r2 \t r2')

print (90*'-') #打印輸出分隔線

運行結(jié)果

------------------------------------------------------------------------------------------

指標(biāo)解釋：

從上圖中可以看出：增強梯度(GBR)回歸效果是所有模型中回歸效果最好的，從回歸矩陣(regression metrics)中看出其方差解釋ev達到了0.975，并且其平均絕對誤差和均方差都是最低的，分別為1.152、2.100。從交叉驗證的結(jié)果可以看出，GBR在交叉驗證的6次驗證中，其結(jié)果的穩(wěn)定性相對較高，這證明該算法在應(yīng)對不同的數(shù)據(jù)時穩(wěn)定效果較好。

模型效果的可視化

模型擬合好以后，可以將幾種回歸效果借助matplotlib進行展示。代碼如下：

#模型效果的可視化

plt.figure #創(chuàng)建畫布

plt.plot(np.arange(x.shape[0]),y,color='k',label='true y') #畫出原始值得曲線

color_list=['r','b','g','y','c'] #顏色列表

linesytle_list=['-','.','o','v','*'] #樣式列表

for i,pre_y in enumerate(pre_y_list):

plt.plot(np.arange(x.shape[0]),pre_y_list[i],color_list[i],label=model_names[i]) #畫出每條預(yù)測結(jié)果線

plt.title('regression result comparison') #標(biāo)題

plt.legend(loc='upper right') #圖例位置

plt.ylabel('real and predicted value') #y軸標(biāo)題

plt.show() #展示圖像

文章名稱：機器學(xué)習(xí)筆記之線性回歸技術(shù)
鏈接URL：http://www.rwnh.cn/article2/pdhpic.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供搜索引擎優(yōu)化、營銷型網(wǎng)站建設(shè)、關(guān)鍵詞優(yōu)化、網(wǎng)站營銷、做網(wǎng)站、靜態(tài)網(wǎng)站

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)