scikit-learn 线性回归学习_scikit-learn 已知方程求常数

导数知识

几种常见函数的导数:
① C’=0(C为常数)；
② (x^n)’=nx(n-1) (n∈Q)；
③ (sinx)’=cosx；
④ (cosx)’=-sinx；
⑤ (e^x)’=ex；
⑥ (a^x)’=axIna （ln为自然对数）
⑦ loga(x)’=(1/x)loga(e)

导数的四则运算
①(u±v)’=u’±v’
②(uv)’=u’v+uv’
③(u/v)’=(u’v-uv’)/ v^2
④[u(v)]’=[u’(v)]*v’ （u(v)为复合函数f[g(x)]）

矩阵转置

线性回归的方程 机器学习本质：解方程 有斜率 截距

线性回归

引言

最小二乘法(Least Squares Method,简记为LSE)是一个比较古老的方法，源于天文学和测地学上的应用需要。在早期数理统计方法的发展中，这两门科学起了很大的作用。丹麦统计学家霍尔把它们称为“数理统计学的母亲”。此后近三百年来，它广泛应用于科学实验与工程技术中。美国统计史学家斯蒂格勒( S. M. Stigler)指出, 最小二乘方法是19世纪数理统计学的压倒一切的主题。1815年时,这方法已成为法国、意大利和普鲁士在天文和测地学中的标准工具,到1825年时已在英国普遍使用。追溯到1801年，意大利天文学家朱赛普·皮亚齐发现了第一颗小行星谷神星。经过40天的跟踪观测后，由于谷神星运行至太阳背后，使得皮亚齐失去了谷神星的位置。随后全世界的科学家利用皮亚齐的观测数据开始寻找谷神星，但是根据大多数人计算的结果来寻找谷神星都没有结果。时年24岁的高斯也计算了谷神星的轨道。奥地利天文学家海因里希·奥尔伯斯根据高斯计算出来的轨道重新发现了谷神星。高斯于其1809年的著作《关于绕日行星运动的理论》中。在此书中声称他自1799年以来就使用最小二乘方法,由此爆发了一场与勒让德的优先权之争。近代学者经过对原始文献的研究,认为两人可能是独立发明了这个方法,但首先见于书面形式的，以勒让德为早。然而,现今教科书和著作中,多把这个发明权归功于高斯。其原因,除了高斯有更大的名气外,主要可能是因为其正态误差理论对这个方法的重要意义。勒让德在其著作中,对最小二乘方法的优点有所阐述。然而,缺少误差分析。我们不知道,使用这个方法引起的误差如何,就需建立一种误差分析理论。高斯于1823年在误差e1 ,… , en独立同分布的假定下,证明了最小二乘方法的一个最优性质: 在所有无偏的线性估计类中,最小二乘方法是其中方差最小的！在德国10马克的钞票上有高斯像，并配了一条正态曲线。在高斯众多伟大的数学成就中挑选了这一条,亦可见这一成就对世界文明的影响。

最小二乘法（平方）

xi [[0.5],[1],[2],[3],[4]]
yi:1,2,4,6,8
y: = wx + b ----> wx + b
H = ((wxi + b- yi)^2).sum()
w = 2;b = 0-----> H最小值

梯度下降

y = (x - 2.5)**2 - 1

线性

得名于f(x)=ax+b的图像的形象 很直观 就是一条直线的形象

import numpy as np
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
%matplotlib  inline
from sklearn import datasets

# 波士顿房价
boston = datasets.load_boston()

X = np.linspace(0,10,50).reshape(-1,1)
X
#array([[ 0.        ], [ 0.20408163],... [ 9.59183673],[ 9.79591837],[10.        ]])

y = np.random.randint(2,8,size = 1)*X
y
#array([[ 0.        ],[ 1.2244898 ],...[57.55102041],[58.7755102 ],[60.        ]])

y/X
#array([[nan],[ 6.],[ 6.],...[ 6.],[ 6.]])

lr = LinearRegression()
lr.fit(X,y)
# coeficient 效率，斜率
# w ---->weight 权重，
lr.coef_
#array([[6.]])
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

$$\hat{w}=(X^{T}X{)}^{-1}{X}^{T}y$$

# 线性代数中的矩阵运算
np.linalg.inv(X.T.dot(X)).dot(X.T).dot(y)
#array([[6.]])
1
2
3

$$最小二乘法H=\sum _{i=0}^N(Xw-y{)}^2$$
$$2(Xw-y)X=0$$
$$(Xw-y)X{X}^{-1}=0X^{-1}$$
$$Xw-y=0$$
$$Xw=y$$
$$X^{T}Xw=X^{T}y$$
$$(X^{T}X{)}^{-1}(X^{T}X)w=(X^{T}X{)}^{-1}{X}^{T}y$$
$$Iw=(X^{T}X{)}^{-1}{X}^{T}y$$
$$w=(X^{T}X{)}^{-1}{X}^{T}y$$
并不是每个矩阵都有逆矩阵，但是都有转置矩阵，现将矩阵乘它的转置矩阵，变成方阵，就有转置矩阵了。

X = boston['data']
y = boston['target']

X.shape
#(506, 13)

from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size = 0.2)

X.shape
#(506, 13)

lr = LinearRegression(fit_intercept=False) #不考虑截距
lr.fit(X_train,y_train)
# 斜率个数：属性的个数决定
display(lr.coef_,lr.intercept_)
#array([-0.1412295 ,  0.04181349, -0.01322025,  1.86963613, -4.15101845,6.06733637, -0.01337729, -1.09192302,  0.17925408, -0.00889826,-0.41013493,  0.01643046, -0.3599472 ])
#0.0

# 算法预测的结果
lr.predict(X_test).round(2)[:25]
#array([21.11, 17.72, 31.43,  2.33, 24.62, 19.41, 20.77,  8.16, 26.16,19.31, 20.68,  7.19, 43.46, 24.02, 21.2 , 17.67, 10.54, 14.64,27.81, 27.43, 22.87, 30.66, 19.62, 37.61, 30.9 ])
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

$$f(x)=w1\ast x1+w2\ast x2+\dots \dots +w13\ast x13$$

w = lr.coef_
w
#array([-0.1412295 ,  0.04181349, -0.01322025,  1.86963613, -4.15101845,6.06733637, -0.01337729, -1.09192302,  0.17925408, -0.00889826,-0.41013493,  0.01643046, -0.3599472 ])

X_test.dot(w).round(2)[:25]
#array([21.11, 17.72, 31.43,  2.33, 24.62, 19.41, 20.77,  8.16, 26.16,19.31, 20.68,  7.19, 43.46, 24.02, 21.2 , 17.67, 10.54, 14.64,27.81, 27.43, 22.87, 30.66, 19.62, 37.61, 30.9 ])

# '真实'的房价显示
y_test[:25]
#array([16.4, 18.6, 41.3,  8.8, 22.8, 27.1, 18.7, 27.5, 22. , 14.1, 16.1,5. , 50. , 22.6, 13.8, 20.8, 12. , 12.8, 22.9, 26.5, 21.5, 29.9,18.3, 50. , 50. ])

lr = LinearRegression(fit_intercept=True) #带截距
lr.fit(X_train,y_train)
display(lr.coef_,lr.intercept_)
#array([-1.41151959e-01,  4.11921987e-02, -1.40329665e-03,  1.62461478e+00,-1.74893870e+01,  3.95218799e+00, -4.11935673e-03, -1.60614632e+00,2.97047505e-01, -1.16287244e-02, -9.43595535e-01,  1.09847236e-02,-4.79093686e-01])
#35.204261036207875 #截距
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

$$f(x)=w1\ast x1+w2\ast x2+\dots \dots +w13\ast x13+b$$

lr.predict(X_test).round(2)[:15]
#array([19.23, 16.17, 33.17,  3.79, 28.58, 19.67, 21.32, 13.91, 27.06,17.79, 18.98,  6.42, 43.27, 24.57, 20.47])

# 根据斜率和截距构造方程，进行求解的结果
(X_test.dot(lr.coef_) + lr.intercept_).round(2)[:15]
#array([19.23, 16.17, 33.17,  3.79, 28.58, 19.67, 21.32, 13.91, 27.06,17.79, 18.98,  6.42, 43.27, 24.57, 20.47])
1
2
3
4
5
6