机器学习（五） -- 监督学习（5） -- 线性回归2

系列文章目录及链接

上篇：机器学习（五） -- 监督学习（5） -- 线性回归1
下篇：

---

前言

tips：标题前有“***”的内容为补充内容，是给好奇心重的宝宝看的，可自行跳过。文章内容被“文章内容”删除线标记的，也可以自行跳过。“！！！”一般需要特别注意或者容易出错的地方。

本系列文章是作者边学习边总结的，内容有不对的地方还请多多指正，同时本系列文章会不断完善，每篇文章不定时会有修改。

由于作者时间不算富裕，有些内容的《算法实现》部分暂未完善，以后有时间再来补充。见谅！

文中为方便理解，会将接口在用到的时候才导入，实际中应在文件开始统一导入。

---

三、***算法实现

为了加深理解哈，其实在日常中一般调用API。

1、获取数据

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib notebook
 
# 读入数据
train =pd.read_csv('csv/click.csv')
train_x=train['x']
train_y=train['y']
 
# 查看数据
plt.figure()
plt.scatter(train_x,train_y,c='r',marker='.')
# plt.plot(train_x,train_y,'ro')
plt.show()

 ​

2、定义模型

 ​

# 预测函数-定义模型
def f(x):
    return theta0+theta1*x

3、目标函数

​

# 目标函数
def E(x,y):
    return 0.5*np.sum((y-f(x))**2)

4、参数估计

先进行标准化，后绘图验证

​

# 标准化、z-score规范化
mu = train_x.mean()
sigma = train_x.std()
def standardize(x):
    return (x - mu) / sigma
 
train_z=standardize(train_x)
 
# 绘图
plt.figure()
plt.plot(train_z,train_y,'go')
plt.show()

参数初始化、学习率等的设置

​

# 参数初始化
theta0=np.random.randn()
theta1=np.random.randn()
 
# 学习率
ETA = 1e-3 # 0.001
 
# 误差的差值
diff = 1
 
# 更新次数
count = 0
 
# 重复学习
error = E(train_z, train_y)
while diff > 1e-2:
    # 更新结果保存到临时变量(防止更新1时使用更新后的0)
    tmp_theta0 = theta0 - ETA * np.sum((f(train_z) - train_y))
    tmp_theta1 = theta1 - ETA * np.sum((f(train_z) - train_y) * train_z)
 
    # 更新参数
    theta0 = tmp_theta0
    theta1 = tmp_theta1
 
    # 计算与上一次误差的差值
    current_error = E(train_z, train_y)
    diff = error - current_error
    error = current_error
 
    # 输出日志
    count += 1
    log = '第 {} 次 : theta0 = {:.3f}, theta1 = {:.3f}, 差值 = {:.4f}'
    print(log.format(count, theta0, theta1, diff))
 
# 绘图确认
x = np.linspace(-3, 3, 100)# 定义均匀间隔创建数值序列
 
plt.figure()
# 数据点
plt.plot(train_z, train_y, 'o')
# 模型
plt.plot(x, f(x))
plt.show()

 ​

5、验证

# 验证
x1=standardize(100)
y1=f(x1)
print(y1)     # 370.9798855192978
 
plt.plot(x1,y1,'*')

​

四、接口调用--实际应用

1、波士顿数据集介绍

1.1、API

from sklearn.datasets import load_boston

！！！导入波士顿数据集报错

ImportError：
`load_boston` has been removed from scikit-learn since version 1.2.

因为数据集涉及种族问题，所以在sklearn 1.2版本中被移除。

解决1：用在线网址导入（建议）

data_url = "http://lib.stat.cmu.edu/datasets/boston"
raw_df = pd.read_csv(data_url, sep=r"\s+", skiprows=22, header=None)
data = np.hstack([raw_df.values[::2, :], raw_df.values[1::2, :2]])
target = raw_df.values[1::2, 2]

解决2：降低scikit-learn版本（不推荐，后面还有其他问题）

pip install -U scikit-learn==1.1.1 -i https://pypi.tuna.tsinghua.edu.cn/simple

 在jupyter中记得先查看库的环境哦（我这里是已经降级后的）

当然降级后还是有点问题

1.2、介绍

波士顿房价数据集共有506个样本，每个样本有13个特征及输出标签MEDV
特征信息：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
np.random.seed(1734)
 
#将生成的交互式图嵌入notebook中
%matplotlib notebook 
 #将生成的静态图嵌入notebook中
%matplotlib inline
 
plt.rcParams['font.sans-serif'] = 'SimHei' # 设置字体为SimHei # 显示中文
plt.rcParams['axes.unicode_minus']=False # 修复负号问题
 
 
 
 
from sklearn.datasets import load_boston
 
# 加载数据
boston=load_boston()
 
 
 
 
# 键
print("波士顿房价数据集的键：",boston.keys())
 
# 描述
print("波士顿房价数据集的描述：",boston.DESCR)

# 特征值名字
print("波士顿房价数据集的特征值名字：",boston.feature_names)

# 返回值、特征值、目标值
print("波士顿房价数据集的返回值：\n", boston)
 
# 数据形状
print("波士顿房价数据集的形状：",boston.data.shape)
 
print("波士顿房价数据集的特征值：",boston.data)
 
print("波士顿房价数据集的目标值：",boston.target)

1.3、可视化--查看数据分布（一个特征）

# 只展示一个属性对房价的影响
from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test = train_test_split(boston.data, boston.target, test_size=0.2, random_state=1473) 
 
# 选择RM属性
rm=x_train[:,5]
prices=y_train
 
# 可视化
plt.figure()
plt.scatter(rm,prices)
plt.xlabel('rm')
plt.ylabel('prices')
plt.show()

2、正规方程流程

2.0、正规方程API

sklearn.linear_model.LinearRegression
 
导入：
from sklearn.linear_model import LinearRegression
 
语法：
LinearRegression(fit_intercept=5，copy_X='auto',n_jobs)
# 通过正规方程优化
    fit_intercept:  默认为True，是否在模型中包含截距（偏置）项
    copy_X：默认为True，是否复制输入特征数据。
    n_jobs:默认为None，模型拟合过程中的CPU核心数量，设置为-1，则使用所有可用的核心。
 
LinearRegression.coef_：回归系数coefficients 
LinearRegression.intercept_：偏置

2.1、获取数据

# from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
 
from sklearn.linear_model import LinearRegression
 
# 获取数据
# boston=load_boston()
data_url = "http://lib.stat.cmu.edu/datasets/boston"
raw_df = pd.read_csv(data_url, sep=r"\s+", skiprows=22, header=None)
data = np.hstack([raw_df.values[::2, :], raw_df.values[1::2, :2]])
target = raw_df.values[1::2, 2]

2.2、数据预处理（划分数据集）

# 划分数据集
# x_train,x_test,y_train,y_test = train_test_split(boston.data, boston.target, test_size=0.2, random_state=1473) 
# 划分数据集
x_train,x_test,y_train,y_test = train_test_split(data, target, test_size=0.2, random_state=1473) 

2.4、特征工程

# # 标准化
# # 特征值和目标值是都必须进行标准化处理, 实例化两个标准化API
# # 特征值进行了标准化
# std_x = StandardScaler()
 
# x_train = std_x.fit_transform(x_train)
# x_test = std_x.transform(x_test)
 
# # 目标值进行了标准化（标准化只支持2维数据）
# std_y = StandardScaler()
 
# y_train = std_y.fit_transform(y_train.reshape(-1, 1))  # 目标值是一维的，这里需要传进去2维的
# y_test = std_y.transform(y_test.reshape(-1, 1))

2.4、模型训练

#实例化学习器+模型训练（正规方程）
lr = LinearRegression().fit(x_train, y_train)
print('建立的LinearRegression模型为：', '\n', lr)

 ​

2.5、模型评估

# 用模型计算测试值，得到预测值
y_pred = lr.predict(x_test)
 
# # 特征工程后做：
# # 预测测试集的房子价格，通过inverse得到真正的房子价格
# y_pred = std_y.inverse_transform(y_pred)
 
print('预测前20个结果为：', '\n', y_pred[:20])
print("模型中的系数为:\n", lr.coef_)
print("模型中的偏置为:\n", lr.intercept_)
 
# 
from sklearn.metrics import explained_variance_score, mean_absolute_error,mean_squared_error,median_absolute_error,r2_score
print('Boston数据线性回归模型的平均绝对误差为：', mean_absolute_error(y_test, y_pred))
print('Boston数据线性回归模型的均方误差为：', mean_squared_error(y_test, y_pred))
print('Boston数据线性回归模型的中值绝对误差为：',median_absolute_error(y_test, y_pred))
print('Boston数据线性回归模型的可解释方差值为：',explained_variance_score(y_test, y_pred))
print('Boston数据线性回归模型的R方值为：', r2_score(y_test, y_pred))

2.6、结果预测

x_real=[[0.00632,18.00,2.310,0,0.5380,6.5750,65.20,4.0900,1,296.0,15.30,396.90,4.98]]
y_real_pred = lr.predict(x_real)
print(y_real_pred)

​

2.7、模型保存

文件格式为“pkl”

import joblib
 
# 保存训练好的模型
joblib.dump(lr, "./model/lr_test.pkl")

​

2.8、模型载入

# 加载保存的模型
 
lr2 = joblib.load("./model/lr_test.pkl")
 
# 用加载的模型进行预测
x_real=[[0.00632,18.00,2.310,0,0.5380,6.5750,65.20,4.0900,1,296.0,15.30,396.90,4.98]]
y_real_pred = lr2.predict(x_real)
 
# # 因为目标值进行了标准化，一定要把预测后的值逆向转换回来
# y_real_pred = std_y.inverse_transform(y_real_pred)
 
print(y_real_pred)

​

3、梯度下降流程

3.0 、梯度下降API

sklearn.linear_model.SGDRegressor
 
导入：
from sklearn.linear_model import SGDRegressor
 
语法：
sklearn.linear_model.SGDRegressor(loss="squared_loss", fit_intercept=True, learning_rate='invscaling', eta0=0.01)
##SGDRegressor类实现了随机梯度下降学习，它支持不同的loss函数和正则化惩罚项来拟合线性回归模型。
    loss:损失类型，loss=”squared_loss”: 普通最小二乘法
    fit_intercept：是否计算偏置
    learning_rate : 学习率调整方式
            'constant': eta = eta0
            'optimal': eta = 1.0 / (alpha * (t + t0)) [default]
            'invscaling': eta = eta0 / pow(t, power_t)
                power_t=0.25:存在父类当中，对于一个常数值的学习率来说，可以使用learning_rate=’constant’ ，并使用eta0来指定学习率。
    eta0：学习率调整数值
    early_stopping：损失没有改进，提前停止训练
    penalty：惩罚，分为L1和L2
    alpha：正则化力度，值越高，正则化力度越强
 
SGDRegressor.coef_：回归系数
SGDRegressor.intercept_：偏置
 
 
 
L1 与 L2 的区别：
L1正则化产生稀疏的权值, L2正则化产生平滑的权值， 
L1正则化偏向于稀疏，它会自动进行特征选择，去掉一些没用的特征，也就是将这些特征对应的权重置为0. 
L2主要功能是为了防止过拟合，当要求参数越小时，说明模型越简单，而模型越简单则，越趋向于平滑，从而防止过拟合。

3.1、获取数据

# from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
 
from sklearn.linear_model import SGDRegressor
 
# 获取数据
# boston=load_boston()
data_url = "http://lib.stat.cmu.edu/datasets/boston"
raw_df = pd.read_csv(data_url, sep=r"\s+", skiprows=22, header=None)
data = np.hstack([raw_df.values[::2, :], raw_df.values[1::2, :2]])
target = raw_df.values[1::2, 2]

3.2、数据预处理（划分数据集）

# 划分数据集
# x_train,x_test,y_train,y_test = train_test_split(boston.data, boston.target, test_size=0.2, random_state=1473) 
# 划分数据集
x_train,x_test,y_train,y_test = train_test_split(data, target, test_size=0.2, random_state=1473) 

3.3、特征工程

3.4、模型训练

# 实例化学习器（梯度下降法）
SGDR = SGDRegressor(max_iter=1000)
# SGDR = SGDRegressor(max_iter=1000,learning_rate="constant",eta0=0.1)
 
# 模型训练
SGDR.fit(x_train,y_train)
print('建立的LinearRegression模型为：', '\n', SGDR)

​

3.5、模型评估

# 用模型计算测试值，得到预测值
y_pred = SGDR.predict(x_test)
print('预测前20个结果为：', '\n', y_pred[:20])
print("模型中的系数为:\n", SGDR.coef_)
print("模型中的偏置为:\n", SGDR.intercept_)
 
# 
from sklearn.metrics import explained_variance_score, mean_absolute_error,mean_squared_error,median_absolute_error,r2_score
print('Boston数据线性回归模型的平均绝对误差为：',mean_absolute_error(y_test, y_pred))
print('Boston数据线性回归模型的均方误差为：',mean_squared_error(y_test, y_pred))
print('Boston数据线性回归模型的中值绝对误差为：',median_absolute_error(y_test, y_pred))
print('Boston数据线性回归模型的可解释方差值为：',explained_variance_score(y_test, y_pred))
print('Boston数据线性回归模型的R方值为：', r2_score(y_test, y_pred))

3.6、结果预测

​经过模型评估后通过的模型可以代入真实值进行预测。

4、岭回归流程

4.0、岭回归API

sklearn.linear_model.Ridge
 
# 导入
from sklearn.linear_model import Ridge
 
# 语法
Ridge(alpha=1.0, fit_intercept=True,solver="auto", normalize=False)
    具有l2正则化的线性回归
    alpha:正则化力度，也叫 λ；λ取值：0~1 1~10
    solver:会根据数据自动选择优化方法
        sag:如果数据集、特征都比较大，选择该随机梯度下降优化
    normalize:数据是否进行标准化
        normalize=False:可以在fit之前调用preprocessing.StandardScaler标准化数据
 
 
Ridge.coef_:回归权重
Ridge.intercept_:回归偏置
 
 
 
sklearn.linear_model.RidgeCV(_BaseRidgeCV, RegressorMixin)
    具有l2正则化的线性回归，可以进行交叉验证
 
RidgeCV.coef_:回归系数
 
 
 
class _BaseRidgeCV(LinearModel):
    def __init__(self, alphas=(0.1, 1.0, 10.0),
                 fit_intercept=True, normalize=False,scoring=None,
                 cv=None, gcv_mode=None,
                 store_cv_values=False):

Ridge方法相当于SGDRegressor(penalty='l2', loss="squared_loss"),只不过SGDRegressor实现了一个普通的随机梯度下降学习，推荐使用Ridge(实现了SAG) 

注意观察正则化程度的变化，对结果的影响

4.1、获取数据

# from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
 
from sklearn.linear_model import SGDRegressor
 
# 获取数据
# boston=load_boston()
data_url = "http://lib.stat.cmu.edu/datasets/boston"
raw_df = pd.read_csv(data_url, sep=r"\s+", skiprows=22, header=None)
data = np.hstack([raw_df.values[::2, :], raw_df.values[1::2, :2]])
target = raw_df.values[1::2, 2]

4.2、数据预处理（划分数据集）

# 划分数据集
# x_train,x_test,y_train,y_test = train_test_split(boston.data, boston.target, test_size=0.2, random_state=1473) 
# 划分数据集
x_train,x_test,y_train,y_test = train_test_split(data, target, test_size=0.2, random_state=1473) 

4.3、特征工程

# # 标准化
# # 特征值和目标值是都必须进行标准化处理, 实例化两个标准化API
# # 特征值进行了标准化
# std_x = StandardScaler()
 
# x_train = std_x.fit_transform(x_train)
# x_test = std_x.transform(x_test)
 
# # 目标值进行了标准化（标准化只支持2维数据）
# std_y = StandardScaler()
 
# y_train = std_y.fit_transform(y_train.reshape(-1, 1))  # 目标值是一维的，这里需要传进去2维的
# y_test = std_y.transform(y_test.reshape(-1, 1))

4.4、模型训练

#实例化学习器
rr = Ridge(alpha=1)
 
# 模型训练
rr.fit(x_train,y_train)
print('建立的岭回归模型为：', '\n', rr)

 

！！！注意:

调用Ridge这个模型的 fit() 方法时，报了一个很诡异的错误：
TypeError: solve() got an unexpected keyword argument 'sym_pos'

通过反复试验，发现是scikit-learn版本的问题，为了直接使用波士顿数据集，之前回退安装了scikit-learn=1.1.1版本，调用岭回归的时候就会报错，后来通过升级scikit-learn=1.3.0后解决此问题。

pip install -U scikit-learn==1.3.1 -i https://pypi.tuna.tsinghua.edu.cn/simple

然后就可以成功了

4.5、模型评估

# 用模型计算测试值，得到预测值
y_pred = rr.predict(x_test)
 
# # 特征工程后做：
# # 预测测试集的房子价格，通过inverse得到真正的房子价格
# y_pred = std_y.inverse_transform(y_pred)
 
print('预测前20个结果为：', '\n', y_pred[:20])
print("模型中的系数为:\n", rr.coef_)
 
# 
from sklearn.metrics import explained_variance_score, mean_absolute_error,mean_squared_error,median_absolute_error,r2_score
print('Boston数据线性回归模型的平均绝对误差为：', mean_absolute_error(y_test, y_pred))
print('Boston数据线性回归模型的均方误差为：', mean_squared_error(y_test, y_pred))
print('Boston数据线性回归模型的中值绝对误差为：',median_absolute_error(y_test, y_pred))
print('Boston数据线性回归模型的可解释方差值为：',explained_variance_score(y_test, y_pred))
print('Boston数据线性回归模型的R方值为：', r2_score(y_test, y_pred))

4.6、结果预测

x_real=[[0.00632,18.00,2.310,0,0.5380,6.5750,65.20,4.0900,1,296.0,15.30,396.90,4.98]]
y_real_pred = rr.predict(x_real)
print(y_real_pred)

---

旧梦可以重温，且看：机器学习（五） -- 监督学习（5） -- 线性回归1
欲知后事如何，且看：