当前位置:   article > 正文

《机器学习实战》预测数值型数据-回归(Regression)_this matrix is singular, cannot do inverse

this matrix is singular, cannot do inverse

本文转载自:http://blog.csdn.net/gamer_gyt/article/details/51405251

1:用线性回归找到最佳拟合曲线

       
    回归的目的是预测数值型的目标值。最直接的办法是依据输人写出一个目标值的计算公式。 假如你想要预测姐姐男友汽车的功率大小,可能会这么计算:

这就是所谓的回归方程,其中的0.0015和-0.99称作为回归系数,求这些回归系数的过程就是回归

回归的一般方法:

(1)收集数据:采用任意方法收集数据
(2)准备数据:回归需要数值型数据,标称型数据将被转化成二值型数据
(3)分析数据:绘出数据的可视化二维图将有助于对数据做出理解和分析,在采用缩减法求得新回归系数之后,可以将新拟合线在图上作为对比
(4)训练算法:求得回归系数
(5)测试算法:使用R2或者预测值和数据的拟合度,来分析模型的效果
(6)使用算法:使用回归,可以在给定输入的时候预测出一个数值,这是对分类方法的提升,因为这样可以预测连续性数据而不仅仅是离散的类别标签

假定输入数据存放在矩阵X中,而回归系数存放在向量w中,那么对于给定的数据X预测结果将会通过  给出,加入在给定数据X和Y的情况下怎么求得W?

误差最小化:

同过找到最小误差求W(误差是真实Y和预测Y之间的差值,使用该误差的简单累加将使得正误差和负误差相互抵消,所有我们采用平方误差)
                                                                     


我们可以通过调用Numpy库的矩阵方法求得w,即所谓最小二乘法(OLS)

代码实现

[python]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. #-*-coding:utf-8-*-  
  2. ''''' 
  3. Created on 2016年5月14日 
  4.  
  5. @author: Gamer Think 
  6. '''  
  7.   
  8. from numpy import *  
  9.   
  10. #====================用线性回归找到最佳拟合曲线===========  
  11. #加载数据集  
  12. def loadDataSet(filename):  
  13.     numFeat = len(open(filename).readline().split("\t")) -1  
  14.     dataMat = []; labelMat = []  
  15.     fr = open(filename)  
  16.     for line in fr.readlines():  
  17.         lineArr = []  
  18.         curLine = line.strip().split("\t")  
  19.         for i in range(numFeat):  
  20.             lineArr.append(float(curLine[i]))  
  21.           
  22.         dataMat.append(lineArr)  
  23.         labelMat.append(float(curLine[-1]))  
  24.           
  25.     return dataMat,labelMat  
  26.   
  27. #计算最佳拟合曲线  
  28. def standRegress(xArr,yArr):  
  29.     xMat = mat(xArr); yMat = mat(yArr).T  #.T代表转置矩阵  
  30.     xTx = xMat.T * xMat  
  31.     if linalg.det(xTx) ==0.0#linalg.det(xTx) 计算行列式的值  
  32.         print "This matrix is singular , cannot do inverse"  
  33.         return  
  34.     ws = xTx.I * (xMat.T * yMat)  
  35.     return ws  
  36.   
  37. #测试上边的函数  
  38. xArr,yArr = loadDataSet("ex0.txt")  
  39. ws = standRegress(xArr, yArr)  
  40. print "ws(相关系数):",ws    #ws 存放的就是回归系数  
  41.   
  42. #画图展示  
  43. def show():  
  44.     import matplotlib.pyplot as plt  
  45.     xMat = mat(xArr); yMat = mat(yArr)  
  46.     yHat = xMat*ws  
  47.     fig = plt.figure() #创建绘图对象  
  48.     ax = fig.add_subplot(111)  #111表示将画布划分为1行2列选择使用从上到下第一块  
  49.     #scatter绘制散点图  
  50.     ax.scatter(xMat[:,1].flatten().A[0],yMat.T[:,0].flatten().A[0])  
  51.     #复制,排序  
  52.     xCopy =xMat.copy()  
  53.     xCopy.sort(0)  
  54.     yHat = xCopy * ws  
  55.     #plot画线  
  56.     ax.plot(xCopy[:,1],yHat)  
  57.     plt.show()  
  58.   
  59. show()  
  60.   
  61. #利用numpy库提供的corrcoef来计算预测值和真实值得相关性  
  62. yHat = mat(xArr) * ws  #yHat = xMat * ws  
  63. print "相关性:",corrcoef(yHat.T,mat(yArr))  
  64. #====================用线性回归找到最佳拟合曲线===========  



效果展示:


(相关性中对角线1,1表示yHat与自己的匹配是完全的,与yMat的匹配是0.98)


2:局部加权线性回归


       加权的目的:降低预测的均方误差,减小欠拟合现象
       加权方法:局部加权线性回归(Locally Weighted Liner Regression,LWLR)在该算法中,我们给待预测点附近的每个点赋予一定的权重,然后利用上一节的方法计算最小均方差来进行普通的回归
       此时回归系数:
                       
其中W是一个矩阵,用来给每个数据点赋予权重
LWLR使用核来对附近的点赋予更高的权重,最常用的核方法是高斯核,其对应的权重如下:
                         
这样就构建了一个只含对角线元素的权重矩阵w,并且点x与x(i)越近,w(i,i)将会越大,上述公式包含一个需要用户指定的参数k,他决定了对附近的点赋予多大的权重,这也是使用LWLR时唯一需要考虑的参数,下图展示了参数k与权重的关系

                           

在regression.py文件中加入以下代码
[python]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. #==================局部加权线性回归================  
  2.   
  3. def lwlr(testPoint,xArr,yArr,k=1.0):  
  4.     xMat = mat(xArr); yMat = mat(yArr).T  
  5.     m = shape(xMat)[0]  
  6.     weights = mat(eye((m)))   #产生对角线矩阵  
  7.     for j in range(m):  
  8.         diffMat = testPoint - xMat[j,:]  
  9.         #更新权重值,以指数级递减  
  10.         weights[j,j] = exp(diffMat * diffMat.T /(-2.0*k**2))  
  11.     xTx = xMat.T * (weights * xMat)  
  12.     if linalg.det(xTx) == 0.0:  
  13.         print "this matrix is singular,cannot do inverse"  
  14.         return  
  15.     ws = xTx.I * (xMat.T * (weights * yMat))  
  16.     return testPoint * ws  
  17.   
  18. def lwlrTest(testArr,xArr,yArr,k=1.0):  
  19.     m = shape(testArr)[0]  
  20.     yHat = zeros(m)  
  21.     for i in range(m):  
  22.         yHat[i] =lwlr(testArr[i],xArr,yArr,k)  
  23.     return yHat  
  24.   
  25.   
  26. xArr,yArr = loadDataSet('ex0.txt')  
  27. print "k=1.0:",lwlr(xArr[0],xArr,yArr,1.0)  
  28. print "k=0.001:",lwlr(xArr[0],xArr,yArr,0.001)  
  29. print "k=0.003:",lwlr(xArr[0],xArr,yArr,0.003)  
  30.   
  31. #画图  
  32. def showlwlr():  
  33.     yHat = lwlrTest(xArr, xArr, yArr, 0.003)  
  34.     xMat = mat(xArr)  
  35.     srtInd = xMat[:,1].argsort(0)  
  36.     xSort = xMat[srtInd][:,0,:]  
  37.   
  38.     import matplotlib.pyplot as plt  
  39.     fig = plt.figure() #创建绘图对象  
  40.     ax = fig.add_subplot(111)  #111表示将画布划分为1行2列选择使用从上到下第一块  
  41.     ax.plot(xSort[:,1],yHat[srtInd])  
  42.     #scatter绘制散点图  
  43.     ax.scatter(xMat[:,1].flatten().A[0],mat(yArr).T[:,0].flatten().A[0],s=2,c='red')  
  44.     plt.show()  
  45.   
  46. showlwlr()  
运行结果和不同k值得图像比较


k=0.003时的输出图为:



k=0.01时对应的输出图:


k=1.0时的输出图:



从上图可以看出k=0.01时可以得到很好的效果


3:缩减系数来“理解”数据


如果系数的特征比样本点还多,在计算(X^t X)^-1 的时候会出错,为了解决这个问题,统计学家引入了岭回归的概念,还有lasso法,该方法效果很好,但是计算复杂,还有另外一种缩减方法称为岭向前逐步回归,可以得到与lasso差不多的效果,且更容易实现。

(1):岭回归

岭回归就是在矩阵X^t X 上加一个   从而使得矩阵非奇异,进而能对   求逆,其中矩阵I是一个m*m的单位矩阵,对角线上元素全为1,其他元素全为0,而  是用户定义的数值,后面会做介绍,此时回归系数的计算公式将变为:
                                                       
          
          
缩减方法可以去掉不重要的参数,因此能更好的理解数据,此外,与简单的线性回归相比,缩减法能取得更好的预测效果,在这里依旧采用预测误差最小化得到 :数据获取之后先抽取一部分用于测试,剩余的作为训练集用于训练数据W。
在regression.py中加入以下代码:
[python]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. #=========================岭回归==================  
  2. #用于计算回归系数  
  3. def ridgeRegres(xMat,yMat,lam=0.2):  
  4.     xTx = xMat.T * xMat  
  5.     denom = xTx + eye(shape(xMat)[1]) * lam  
  6.     if linalg.det(denom)==0.0:  
  7.         print "This matrix is singular, cannot do inverse"  
  8.         return   
  9.     ws = denom.I * (xMat.T * yMat)  
  10.     return ws  
  11.   
  12. #用于在一组lambda上做测试  
  13. def ridgeTest(xArr,yArr):  
  14.     xMat = mat(xArr); yMat = mat(yArr).T  
  15.     yMean = mean(yMat,0)  
  16.     #数据标准化  
  17.     yMat = yMat - yMean  
  18.     xMeans = mean(xMat,0)  
  19.     xVar = var(xMat,0)  
  20.     xMat = (xMat - xMeans)/xVar  
  21.   
  22.     numTestPts = 30  
  23.     wMat = zeros((numTestPts, shape(xMat)[1]))  
  24.     for i in range(numTestPts):  
  25.         ws = ridgeRegres(xMat, yMat, exp(i-10))  
  26.         wMat[i,:]=ws.T  
  27.     return wMat  
  28.   
  29. abX,abY = loadDataSet('abalone.txt')  
  30. ridgeWeights = ridgeTest(abX,abY)  
  31. # print ridgeWeights  
  32.   
  33. def showRidge():  
  34.     import matplotlib.pyplot as plt  
  35.     fig = plt.figure()  
  36.     ax = fig.add_subplot(111)  
  37.     ax.plot(ridgeWeights)  
  38.     plt.show()  
  39.   
  40. showRidge()  
  41. #===================岭回归=============  

运行结果:



说明:lambda非常小时,系数与普通回归一样,而lambda非常大时,所有回归系数缩减为0,可以在中间某处找到使得预测结果最好的值


(2):lasso

不难证明,在增加如下约束时,普通的最小二乘法回归会得到与岭回归的一样的公式:
                                            
上式限定了所有的回归系数的平方和不能大于lambda,使用普通的最小二乘法回归在当两个或更多的特征相关时,可能会得到一个很大的正系数和一个很大的负系数。正是因为上述限制条件的存在,使用岭回归可以避免这个问题
与岭回归类似,另外一个缩减方法lasso也对回归系数做了限定,对应的约束条件是如下:
                                                 
唯一一点不同的是这个约束条件使用绝对值取代了平方和,虽然约束条件只是稍作变化,结果却大相径庭,在lambda足够小的时候,一些系数会因此被迫缩减到0,而这个特性可以帮助我们更好的理解数据,这两个约束条件虽然相差无几,,但细微的变化却极大的增加了计算的复杂度,下面介绍一种更为简单的方法来得到计算结果,该方法叫做向前逐步回归

(3):向前逐步回归

向前逐步回归算法可以得到和lasso差不多的效果,但是更加简单,它属于一种贪心算法,即每一步都尽可能的减小误差,一开始,所有的权重都设为1,然后每一步所做的决策是对某个权重增加或者减小一个很小的值
该算法的伪代码如下:
数据标准化,使其分布满足0均值和单位方差
在每轮迭代过程中:
        设置当前最小误差lowestError为正无穷
        对每个特征:
                增大或减小:
                        改变一个系数得到一个新的W
                        计算新W下的误差
                        如果误差Error小于当前最小误差lowerError:设置Wbest等于当前的W
                将W设置为新的Wbest

代码实现如下

[python]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. #===================向前逐步回归============  
  2.   
  3. #计算平方误差  
  4. def rssError(yArr,yHatArr): #yArr and yHatArr both need to be arrays  
  5.     return ((yArr-yHatArr)**2).sum()  
  6.   
  7. #数据标准化处理  
  8. def regularize(xMat):#regularize by columns  
  9.     inMat = xMat.copy()  
  10.     inMeans = mean(inMat,0)   #calc mean then subtract it off  
  11.     inVar = var(inMat,0)      #calc variance of Xi then divide by it  
  12.     inMat = (inMat - inMeans)/inVar  
  13.     return inMat  
  14.   
  15.   
  16. def stageWise(xArr,yArr,eps=0.01,numIt=100):  
  17.     xMat = mat(xArr); yMat=mat(yArr).T  
  18.     yMean = mean(yMat,0)  
  19.     yMat = yMat - yMean     #can also regularize ys but will get smaller coef  
  20.     xMat = regularize(xMat)  
  21.     m,n=shape(xMat)  
  22.     returnMat = zeros((numIt,n)) #testing code remove  
  23.     ws = zeros((n,1)); wsTest = ws.copy(); wsMax = ws.copy()  
  24.     for i in range(numIt):#could change this to while loop  
  25.         #print ws.T  
  26.         lowestError = inf;   
  27.         for j in range(n):  
  28.             for sign in [-1,1]:  
  29.                 wsTest = ws.copy()  
  30.                 wsTest[j] += eps*sign  
  31.                 yTest = xMat*wsTest  
  32.                 rssE = rssError(yMat.A,yTest.A)  
  33.                 if rssE < lowestError:  
  34.                     lowestError = rssE  
  35.                     wsMax = wsTest  
  36.         ws = wsMax.copy()  
  37.         returnMat[i,:]=ws.T  
  38.     return returnMat  
  39.   
  40. xArr,yArr = loadDataSet('abalone.txt')  
  41. print stageWise(xArr, yArr, 0.01200)  

运行结果:

上述结果中值得注意的是wl和w6都是0 ,这表明它们不对目标值造成任何影响,也就是说这 些特征很可能是不需要的。另外,在参数eps设置为0.01的情况下,一段时间后系数就已经饱和 并在特定值之间来回震荡,这是因为步长太大的缘故。这里会看到,第一个权重在0.04和0.05之 间来回震荡。

设置更小的步长:
print stageWise(xArr, yArr, 0.001, 200)


接下来把这些结果与最小二乘法进行比较,后者的结果可以通过如下代码获得
[python]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. xMat = mat(xArr)  
  2. yMat = mat(yArr).T  
  3. xMat = regularize(xMat)  
  4. yM = mean(yMat,0)  
  5. yMat = yMat - yM  
  6. weights = standRegress(xMat, yMat.T)  
  7. print weights.T  



可以看出在迭代5000次以后,逐步线性回归算法与常规的最小二乘法类似,使用0.005的epsilon值并经过1000次迭代后的结果参见

逐步线性回归算法的实际好处并不在于能绘出图8-7这样漂亮的图’ 主要的优点在于它可以帮助人们理解现有的模型并做出改进。当构建了一个模型后,可以运行该算法找出重要的特征,这样就有可能及时停止对那些不重要特征的收集。最后,如果用于测试,该算法每100次迭代后就可以构建出一个 模型,可以使用类似于10折交叉验证的方法比较这些模型,最终选择使误差最小的模型。当应用缩减方法(如逐步线性回归或岭回归)时,模型也就增加了偏差(础8),与此同时却减小了模型的方差。

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/2023面试高手/article/detail/96600
推荐阅读
相关标签
  

闽ICP备14008679号