Python机器学习/LinearRegression（线性回归模型）（附源码）

LinearRegression（线性回归）

1.线性回归简介

线性回归定义：

　　百科中解释

我个人的理解就是：线性回归算法就是一个使用线性函数作为模型框架（$y = w*x + b$）、并通过优化算法对训练数据进行训练、最终得出最优（全局最优解或局部最优）参数的过程。

y：我们需要预测的数值；

w：模型的参数（即我们需要通过训练调整的的值）

x：已知的特征值

b：模型的偏移量

我们的目的是通过已知的x和y，通过训练找出合适的参数w和b来模拟x与y之间的关系，并最终通过x来预测y。

分类：

　　线性回归属于监督学习中的回归算法；

　　线性回归作为机器学习的入门级算法，很适合刚接触机器学习的新手。虽然线性回归本身比较简单，但是麻雀虽小，五脏俱全，其中涉及到的“线性模型”、“目标函数”、“梯度下降”、“迭代”、“评价准则”等思想与其他复杂的机器学习算法是相通的，深入理解线性回归后可以帮助你更加轻松的学习其他机器学习算法。

2.线性回归模型解析

2.1 线性回归模型示意图

2.2模型的组成部件

　　2.2.1 假设函数（Hypothesis function）

　　$h_w(x) = b + w_0x_0 + w_1x_1 + ··· +w_nx_n$

　　使用向量方式表示：

$X=\begin{bmatrix}
\ x_0
\\ x_1
\\\vdots
\\ x_n
\end{bmatrix},W=\begin{bmatrix}
\ w_0
\\ w_1
\\\vdots
\\ w_n
\end{bmatrix}$

　　则有：$h_w(x) = W^TX+ b$

　　2.2.2 损失函数：（Cost function）

　　这里使用平方差作为模型的代价函数

　　$J(w) = \frac{1}{2m}\sum_{i=1}^{m}(h_w(x^{(i)}) - y^{(i)})^2$

　　2.2.3 目标函数：（Goal function）

　　$minimize(J(w))$

　　2.2.4 优化算法：(optimization algorithm)

　　梯度下降法（Gradient descent）

　　关于梯度下降法这里不详细介绍；

3.使用python实现线性回归算法

 #-*- coding: utf-8 -*-
 import numpy as np
 from matplotlib import pyplot as plt

 #生成训练使用数据;这里线性函数为 y = 1.5*x + 1.3
 def data_generate():
     #随机生成100个数据
     x = np.random.randn(100)
     theta = 0.5   #误差系数
     #为数据添加干扰
     y = 1.5*x + 1.3 + theta*np.random.randn(100)
     return x,y

 class LinearRegression():
     '''
     线性回归类
     参数：
         alpha:迭代步长
         n_iter:迭代次数
     使用示例：
         lr = LinearRegression() #实例化类
         lr.fit(X_train,y_train) #训练模型
         y_predict = lr.predict(X_test) #预测训练数据
         lr.plotFigure()用于画出样本散点图与预测模型
     '''
     def __init__(self,alpha=0.02,n_iter=1000):
         self._alpha = alpha     #步长
         self._n_iter = n_iter    #最大迭代次数

     #初始化模型参数
     def initialPara(self):
         #初始化w，b均为0
         return 0,0

     #训练模型
     def fit(self,X_train,y_train):
         #保存原始数据
         self.X_source = X_train.copy()
         self.y_source = y_train.copy()

         #获取训练样本个数
         sample_num = X_train.shape[0]
         # 初始化w，w0
         self._w, self._b = self.initialPara()

         #创建列表存放每次每次迭代后的损失值
         self.cost = []

         #开始训练迭代
         for _ in range(self._n_iter):
             y_predict = self.predict(X_train)
             y_bias = y_train - y_predict
             self.cost.append(np.dot(y_bias,y_bias)/(2 * sample_num))
             self._w += self._alpha * np.dot(X_train.T,y_bias)/sample_num
             self._b += self._alpha * np.sum(y_bias)/sample_num

     def predict(self,X_test):
         return self._w * X_test + self._b

     #画出样本散点图以及使用模型预测的线条
     def plotFigure(self):
         #样本散点图
         plt.scatter(self.X_source,self.y_source,c='r',label="samples",linewidths=0.4)

         #模型预测图
         x1_min = self.X_source.min()
         x1_max = self.X_source.max()
         X_predict = np.arange(x1_min,x1_max,step=0.01)
         plt.legend(loc='upper left')

         plt.plot(X_predict,self._w*X_predict+self._b)
         plt.show()

 if __name__ == '__main__':
     #创建训练数据
     x_data,y_data = data_generate()

     #使用线性回归类生成模型
     lr = LinearRegression()
     lr.fit(x_data,y_data)

     #打印出参数
     print(lr._w,lr._b)
     #画出损失值随迭代次数的变化图
     plt.plot(lr.cost)
     plt.show()
     #画出样本散点图以及模型的预测图
     lr.plotFigure()

     #预测x
     x = np.array([3])
     print("The input x is{0},then the predict of y is:{1}".format(x,lr.predict(x)))

线性回归代码

更多线性回归的代码参考github：线性回归