线性回归——最小二乘和梯度下降一、线性回归1.概念2.损失函数二、最小二乘法三、梯度下降法一、线性回归1.概念线性回归,能够用一个直线较为精确地描述数据之间的关系。这样当出现新的数据的时候,就能够预测出一个合理的值如下图,平面中存在200个样本,需找出一条合理的直线对其进行拟合通过线性回归,拟合直线效果如下在上述二维平面中,需要做的就是找出一条最佳拟合直线方程,形式如下:h(x)=w0x0+w1x1(通常x0为1)∴直线表达式为=>h(x)=w0+w1x1\begin{aligne...
一、线性回归
1.概念
线性回归,能够用一个直线较为精确地描述数据之间的关系。这样当出现新的数据的时候,就能够预测出一个合理的值
如下图,平面中存在200个样本,需找出一条合理的直线对其进行拟合
通过线性回归,拟合直线效果如下
在上述二维平面中,需要做的就是找出一条最佳拟合直线方程,形式如下:
h(x)∴直线表达式为=>h(x)=w0x0+w1x1(通常x0为1)=w0+w1x1
通过不同的算法求解w0,w1得到直线方程,x0代表第一个特征值,x1代表第二个特征值
实际中,若舍去特征值x0, 则得到的直线恒过原点,而为了使直线拟合度更高,加入了常数项w0, 相当于y=kx+b中的b,为了方便与w0,w1相乘相加,x0是人为添加的,且恒为1,直线可以看成y=kx+b∗1=>h=w0+w1x1
由此可得,在一般情况下,样本可能具有n个特征值,x1,x2,...,xn,加入常数项x0=1,则需求解的超平面方程如下:
h(x)=w0x0+w1x1+w2x2+...+wnxn(通常x0为1)
需求解w0,w1x,w2,..wn的值以确定该方程。
为了方便表示该方程,设w参数向量为
wT=[w0w1w2...wn]
样本特征值为:
xT=[x0x1x2...xn](x0=1)
h(x)可表示为:
h(x)=wTx
目标: 求解w向量的最优解
2.损失函数
通过建立一个损失函数来衡量估计值和实际之间的误差的大小,将最小化损失函数作为一个约束条件来求出参数向量的最优解。
样本集为:
X=⎣⎢⎢⎡x10x11...x1nx20x21...x2n............xm0xm1...xmn⎦⎥⎥⎤
m为样本数量,n为特征值数量
单个样本向量可以如下
x1=⎣⎢⎢⎡x10x11...x1n⎦⎥⎥⎤,x2=⎣⎢⎢⎡x20x21...x2n⎦⎥⎥⎤,...,xm=⎣⎢⎢⎡xm0xm1...xmn⎦⎥⎥⎤
第i
个样本向量如下:
xi=⎣⎢⎢⎡xi0xi1...xin⎦⎥⎥⎤
第i
个样本的预测值为:
h(xi)=wTxi
损失函数如下:
J(w)求=2m1i=1∑m(wTx−yi)2=2m1i=1∑m(h(xi)−yi)2minJ(w)
yi为某一个样本的实际值,h(xi)为预测值,J(w)函数即为误差的平方和,求当J(w)取最小时,w(参数向量)的值,21为常数项对最小值无影响,方便后续求导
二、最小二乘法
为了方便计算,对样本集特征矩阵X,参数向量w,以及y向量做以下规定:
样本集特征矩阵X
XXi=⎣⎢⎢⎡x10x20...xm0x11x21...xm1x12x22...xm2............x1nx2n...xmn⎦⎥⎥⎤=[xi0xi1xi2...xin]
参数向量w:
W=⎣⎢⎢⎢⎢⎡w0w1w2...wn⎦⎥⎥⎥⎥⎤
XW矩阵相乘:
XW=⎣⎢⎢⎢⎢⎡h1h2h3...hm⎦⎥⎥⎥⎥⎤
hi为第i
个样本预测值
y向量:
Y=⎣⎢⎢⎢⎢⎡y1y2y3...ym⎦⎥⎥⎥⎥⎤
yi为样本实际值
损失函数:J(w)=i=1∑m(h(xi)−yi)2
可以表示为:J(W)=(Y−XW)T(Y−XW)
对W求导得:
∂W∂J(W)=−2XTY+2XTXW
令:∂W∂J(W)=−2XTY+2XTXW=0
相当于对J(W)中,分别对w0,w1,w2,…,wn求偏导,令偏导等于0,解出w0,w1,w2…,wn
解得:W=(XTX)−1XY
即求得最优参数向量W
三、梯度下降法
使用最小二乘法效率可能比较低,需解出n(特征值数量)个方程,可使用梯度下降法,对w参数向量进行迭达
梯度下降:沿着增长最快的相反方向,移动α 的步长,即逐步递减值最低值,迭代公式如下
w=w−α∇f
∇f表示增长
最快的方向,使用减号表示递减(梯度下降),若加表示递增(梯度上升)
使用梯度下降(或上升)时,一般给定w一个初始值,再通过不断迭代得到最优值
此时即需求J(w)的梯度, 需分别对对wi求偏导
∇f=⎣⎢⎢⎢⎢⎢⎢⎢⎡∂w0∂J(w)∂w1∂J(w)∂w2∂J(w)...∂wn∂J(w)⎦⎥⎥⎥⎥⎥⎥⎥⎤
通过对对损失函数J(w)求偏导后(参考梯度上升),梯度可以表示为:
∇f=−m1⎣⎢⎢⎢⎢⎢⎢⎡∑i=1m(yi−h(wTxi))xi0∑i=1m(yi−h(wTxi))xi1∑i=1m(yi−h(wTxi))xi2......∑i=1m(yi−h(wTxi))xin⎦⎥⎥⎥⎥⎥⎥⎤
所以代入原方程,
梯度上升算法的迭代过程:α 为步长 (α>0)
w=w−α∇f=⎣⎢⎢⎢⎢⎡w0w1w2...wn⎦⎥⎥⎥⎥⎤+αm1⎣⎢⎢⎢⎢⎡∑i=1m(yi−h(wTxi))xi0∑i=1m(yi−h(wTxi))xi1∑i=1m(yi−h(wTxi))xi2......∑i=1m(yi−h(wTxi))xin⎦⎥⎥⎥⎥⎤
经过上述不断迭代的过程,最终得到一个合适的w参数
四、代码
import numpy as np
def load_datas(filename):
with open(filename, 'r') as fr:
data_mat=[]
data_labels=[]
for line in fr:
curr_line=line.strip().split('\t')
data_mat.append(list(map(float, curr_line[:-1])))
data_labels.append(float(curr_line[-1]))
return np.mat(data_mat), np.mat(data_labels)
def get_weights0(datas, labels):
"""
最小二乘法
:param datas:
:param labels:
:return:weights
"""
xTx=datas.T*datas
if(np.linalg.det(xTx)!=0.0):
weights=xTx.I*datas.T*labels.T
return weights
return None
def get_weights1(datas, y_labels, alpha=1, r=300):
"""
梯度下降法
:param datas:
:param labels:
:return:weights
"""
shape = datas.shape
weights=np.ones((shape[1], 1))
for i in range(r):
err = y_labels-datas*weights
weights=weights+(alpha/shape[0])*datas.T*err
return weights
print('最小二乘法')
data_mat, data_labels = load_datas('ex1.txt')
weights=get_weights0(data_mat, data_labels)
print(weights)
print('梯度下降法')
weights=get_weights1(data_mat, data_labels.T)
print(weights)
本文地址:https://blog.csdn.net/weixin_42582355/article/details/107548744