利用最小二乘法做线性回归
- 最小二乘法概述
- 线性回归示例
- 最小二乘法梯度下降
最小二乘法概述
对于一元线性回归模型, 假设从总体中获取了n组观察值(x1,y1)(x1,y1)(x_1,y_1),(x2,y2)(x2,y2)(x_2,y_2),… ,(xn,yn)(xn,yn)(x_n,y_n)。对于平面中的这n个点,可以使用无数条曲线来拟合。要求样本回归函数尽可能好地拟合这组值。综合起来看,这条直线处于样本数据的中心位置最合理。 选择最佳拟合曲线的标准可以确定为:使总的拟合误差(即总残差)达到最小。有以下三个标准可以选择:
(1)用“残差和最小”确定直线位置是一个途径。但很快发现计算“残差和”存在相互抵消的问题。
(2)用“残差绝对值和最小”确定直线位置也是一个途径。但绝对值的计算比较麻烦。
(3)最小二乘法的原则是以“残差平方和最小”确定直线位置。用最小二乘法除了计算比较方便外,得到的估计量还具有优良特性。这种方法对异常值非常敏感。
最常用的是普通最小二乘法( Ordinary Least Square,OLS):所选择的回归模型应该使所有观察值的残差平方和达到最小。(Q为残差平方和)- 即采用平方损失函数。
样本回归模型:
Y_i=\widehat{\beta}_0+\widehat{\beta}_1X_i+e_i
eieie_i是样本(Xi,Yi)(Xi,Yi)(X_i, Y_i)的误差。
平方损失函数:
Q=\sum_{i=1}^{n}e_i^2=\sum_{i=1}^{n}{(Y_i-\widehat Y_i)}^2=\sum_{i=1}^{n}{(Y_i-\widehat{\beta}_0-\widehat{\beta}_1X_i)}^2 则通过Q最小确定这条直线,即确定 βˆ0,βˆ1β^0,β^1\widehat{\beta}_0 , \widehat{\beta}_1,以 βˆ0,βˆ1β^0,β^1\widehat{\beta}_0 , \widehat{\beta}_1为变量,把它们看作是Q的函数,就变成了一个求极值的问题,可以通过求导数得到。求Q对两个待估参数的偏导数:
\begin{cases} \frac{\partial Q}{\partial \widehat{\beta}_0}=2\sum_{i=1}^{n}{(Y_i-\widehat{\beta}_0-\widehat{\beta}_1X_i)}(-1)=0 \\ \frac{\partial Q}{\partial \widehat{\beta}_1}=2\sum_{i=1}^{n}{(Y_i-\widehat{\beta}_0-\widehat{\beta}_1X_i)}(-X_i)=0 \end{cases} 根据数学知识我们知道,函数的极值点为偏导为0的点。 解得:
\widehat{\beta}_1 = \frac{n\sum X_iY_i-\sum X_i \sum Y_i}{n\sum X_i^2-(\sum X_i)^2}
\widehat{\beta}_0 = \frac{n\sum X_i^2 \sum Y_i-\sum X_i \sum X_iY_i}{n\sum X_i^2-(\sum X_i)^2} 这就是最小二乘法的解法,就是求得平方损失函数的极值点。 采用多元线性回归模型:
Y=\beta+0+\beta_1X_1+\beta_2X_2+...+\beta_nX_n+e
RSS=\sum_{i=1}^n(Y_i-\widehat{Y_i})^2
\widehat{\beta}=(X^T X)^{-1} X^Ty
线性回归示例
在多元线性回归模型中,当Y值的影响因素不唯一时,采用多元线性回归模型。例商品的销售额可能与电视广告投入,收音机广告投入,报纸广告投入有关系,可以有
sales=\beta_0+\beta_1\cdot TV + \beta_2\cdot radio +\beta_3\cdot newspaper
pyton代码如下:
import numpy as np
import pandas as pd
#读取数据
data = pd.read_csv('http://www-bcf.usc.edu/~gareth/ISL/Advertising.csv', index_col=0)
data.head()
TV | radio | newspaper | sales | |
---|---|---|---|---|
1 | 230.1 | 37.8 | 69.2 | 22.1 |
2 | 44.5 | 39.3 | 45.1 | 10.4 |
3 | 17.2 | 45.9 | 69.3 | 9.3 |
4 | 151.5 | 41.3 | 58.5 | 18.5 |
5 | 180.8 | 10.8 | 58.4 | 12.9 |
#计算相关矩阵
data.corr()
TV | radio | newspaper | sales | |
---|---|---|---|---|
TV | 1.000000 | 0.054809 | 0.056648 | 0.782224 |
radio | 0.054809 | 1.000000 | 0.354104 | 0.576223 |
newspaper | 0.056648 | 0.354104 | 1.000000 | 0.228299 |
sales | 0.782224 | 0.576223 | 0.228299 | 1.000000 |
#构建X,Y数据
X = data[['TV','radio','newspaper']]
Y = data['sales']
mat(Y)
matrix([[22.1, 10.4, 9.3, 18.5, 12.9, 7.2, 11.8, 13.2, 4.8, 10.6,8.6, 17.4, 9.2, 9.7, 19. , 22.4, 12.5, 24.4, 11.3, 14.6,18. , 12.5, 5.6, 15.5, 9.7, 12. , 15. , 15.9, 18.9, 10.5,21.4, 11.9, 9.6, 17.4, 9.5, 12.8, 25.4, 14.7, 10.1, 21.5,16.6, 17.1, 20.7, 12.9, 8.5, 14.9, 10.6, 23.2, 14.8, 9.7,11.4, 10.7, 22.6, 21.2, 20.2, 23.7, 5.5, 13.2, 23.8, 18.4,8.1, 24.2, 15.7, 14. , 18. , 9.3, 9.5, 13.4, 18.9, 22.3,18.3, 12.4, 8.8, 11. , 17. , 8.7, 6.9, 14.2, 5.3, 11. ,11.8, 12.3, 11.3, 13.6, 21.7, 15.2, 12. , 16. , 12.9, 16.7,11.2, 7.3, 19.4, 22.2, 11.5, 16.9, 11.7, 15.5, 25.4, 17.2,11.7, 23.8, 14.8, 14.7, 20.7, 19.2, 7.2, 8.7, 5.3, 19.8,13.4, 21.8, 14.1, 15.9, 14.6, 12.6, 12.2, 9.4, 15.9, 6.6,15.5, 7. , 11.6, 15.2, 19.7, 10.6, 6.6, 8.8, 24.7, 9.7,1.6, 12.7, 5.7, 19.6, 10.8, 11.6, 9.5, 20.8, 9.6, 20.7,10.9, 19.2, 20.1, 10.4, 11.4, 10.3, 13.2, 25.4, 10.9, 10.1,16.1, 11.6, 16.6, 19. , 15.6, 3.2, 15.3, 10.1, 7.3, 12.9,14.4, 13.3, 14.9, 18. , 11.9, 11.9, 8. , 12.2, 17.1, 15. ,8.4, 14.5, 7.6, 11.7, 11.5, 27. , 20.2, 11.7, 11.8, 12.6,10.5, 12.2, 8.7, 26.2, 17.6, 22.6, 10.3, 17.3, 15.9, 6.7,10.8, 9.9, 5.9, 19.6, 17.3, 7.6, 9.7, 12.8, 25.5, 13.4]])
##直接根据系数矩阵公式计算
def standRegres(xArr,yArr):xMat = mat(xArr); yMat = mat(yArr).TxTx = xMat.T*xMatif linalg.det(xTx) == 0.0:print("This matrix is singular, cannot do inverse")returnws = xTx.I * (xMat.T*yMat)return ws
#求解回归方程系数
X2=X
X2['intercept']=[1]*200
standRegres(X2,Y)
matrix([[ 4.57646455e-02],[ 1.88530017e-01],[-1.03749304e-03],[ 2.93888937e+00]])
##利用现有库求解
from sklearn.linear_model import LinearRegression
linreg = LinearRegression()linreg.fit(X, Y)
print(linreg.coef_)
[ 0.04576465 0.18853002 -0.00103749 0. ]
##测试集和训练集的构建
from sklearn.cross_validation import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, Y, random_state=1)
linreg.fit(X_train, y_train)
#结果
print(linreg.intercept_)
print(linreg.coef_)#预测
y_pred = linreg.predict(X_test)#误差评估
from sklearn import metrics# calculate MAE using scikit-learn
print("MAE:",metrics.mean_absolute_error(y_test,y_pred))# calculate MSE using scikit-learn
print("MSE:",metrics.mean_squared_error(y_test,y_pred)) # calculate RMSE using scikit-learn
print("RMSE:",np.sqrt(metrics.mean_squared_error(y_test,y_pred)))
2.8769666223179318
[0.04656457 0.17915812 0.00345046 0. ]
MAE: 1.0668917082595208
MSE: 1.9730456202283368
RMSE: 1.404651423032895
##只取两个参数的模型
from sklearn.linear_model import LinearRegression
from sklearn.cross_validation import train_test_split
feature_cols = ['TV', 'radio']X = data[feature_cols]
y = data['sales']X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=1)linreg.fit(X_train, y_train)y_pred = linreg.predict(X_test)
#误差评估
from sklearn import metrics# calculate MAE using scikit-learn
print("MAE:",metrics.mean_absolute_error(y_test,y_pred))# calculate MSE using scikit-learn
print("MSE:",metrics.mean_squared_error(y_test,y_pred)) # calculate RMSE using scikit-learn
print("RMSE:",np.sqrt(metrics.mean_squared_error(y_test,y_pred)))
MAE: 1.04775904112126
MSE: 1.9262760418667424
RMSE: 1.3879034699382888
最小二乘法梯度下降
最小二乘法跟梯度下降法都是通过求导来求损失函数的最小值。
相同点:
1.本质相同:两种方法都是在给定已知数据(independent & dependent variables)的前提下对dependent variables算出出一个一般性的估值函数。然后对给定新数据的dependent variables进行估算。
2.目标相同:都是在已知数据的框架内,使得估算值与实际值的总平方差尽量更小(事实上未必一定要使用平方),估算值与实际值的总平方差的公式为:
\Delta =\frac{1}{2} \sum_{i=1}^{m}{(f_{\beta }(\bar{x_{i}} )-y_{i})^{2} }
其中xi¯xi¯\bar{x_{i} }为第i组数据的independent variable,yiyiy_{i}为第i组数据的dependent variable,ββ\beta为系数向量。
不同点
1.实现方法和结果不同:最小二乘法是直接对ΔΔ\Delta求导找出全局最小,是非迭代法。而梯度下降法是一种迭代法,先给定一个ββ\beta,然后向ΔΔ\Delta下降最快的方向调整ββ\beta,在若干次迭代之后找到局部最小。梯度下降法的缺点是到最小点的时候收敛速度变慢,并且对初始点的选择极为敏感,其改进大多是在这两方面下功夫。
最小二乘法的目标:求误差的最小平方和,对应有两种:线性和非线性。线性最小二乘的解是closed-form即x=(ATA)−1ATbx=(ATA)−1ATbx=(A^T A)^{-1}A^Tb,而非线性最小二乘没有closed-form,通常用迭代法求解。如果把最小二乘看做是优化问题的话,那么梯度下降是求解方法的一种,x=(ATA)−1ATbx=(ATA)−1ATbx=(A^T A)^{-1}A^Tb是求解线性最小二乘的一种,高斯-牛顿法和Levenberg-Marquardt则能用于求解非线性最小二乘。
利用最小二乘法做线性回归相关推荐
- matlab 最小二乘法拟合_实例分析,如何用最小二乘法做线性回归?
最小二乘法是一种通过数值对曲线函数拟合的一种统计学方法,这里的最小是拟合误差达到最小.我们可以根据拟合后的函数可以做一些预测或预报.它在数字信号处理.机器学习等领域广泛的应用.本文W君将和大家一起学习 ...
- excel计算二元线性回归_实例分析,如何用最小二乘法做线性回归?
最小二乘法是一种通过数值对曲线函数拟合的一种统计学方法,这里的最小是拟合误差达到最小.我们可以根据拟合后的函数可以做一些预测或预报.它在数字信号处理.机器学习等领域广泛的应用.本文W君将和大家一起学习 ...
- 如何利用excel和jupyter 编程,对身高体重的数据做线性回归
文章目录 前言 一.用excel 做线性回归 (一)Excel 数据分析选项设置 (二)线性回归分析 二.用jupyter编程实现 (一)借助skleran (二)不借助第三方库,用最小二乘法 总结 ...
- python做线性回归_利用 python 进行线性回归
利用python进行线性回归 理解什么是线性回归 线性回归也被称为最小二乘法回归(Linear Regression, also called Ordinary Least-Squares (OLS) ...
- matlab最小二乘法_基于最小二乘法的线性回归拟合
阅读本文需要的知识储备: 高等数学 概率论与数理统计 Python基础 线性回归,其实生活中有很多这样的例子,比如:票价与行车距离.服务质量之间的关系,买房时房价与面积.地域等的关系.给我们一组这样的 ...
- 2021-04-24 Python 最小二乘法求解线性回归模型
Python 最小二乘法求解线性回归模型 机器学习线性回归模型 线性回归(linear regression)是一种线性模型,它假设输入变量 x 和单个输出变量 y 之间存在线性关系 具体来说,利用线 ...
- 如何利用matlab做BP神经网络分析(包括利用matlab神经网络工具箱)
如何利用matlab做BP神经网络分析(包括利用matlab神经网络工具箱) 转载:https://blog.csdn.net/xgxyxs/article/details/53265318 最近一段 ...
- c++椭圆最小二乘法原理_利用最小二乘法拟合椭圆方程的理论推导,附有matlab代码...
为了很好的进行椭圆方程拟合,本文先对椭圆基本知识进行复习,后进行非标准椭圆方程拟合公式推导,最后有matlab代码的实现. 1. 用最小二乘法做椭圆拟合 1.1. 椭圆标准方程 对椭圆印象最深的就是高 ...
- python 最小二乘法 线性方程组_Python实现基于最小二乘法的线性回归
下面展示利用Python实现基于最小二乘法的线性回归模型,同时不需要引入其他科学计算以及机器学习的库. 利用Python代码表示如下: #首先引入数据集x,和y的值的大小利用Python的数据结构:列 ...
最新文章
- Jersey 入门与Javabean
- GDCM:gdcm::FileMetaInformation的测试程序
- vue axios 配置上服务器后报错'Access-Control-Allow-Origin' header](亲测)
- Vim自动补全神器:YouCompleteMe
- 4-asa-url-filter
- unity3D 实战 《小十传奇》系列之三:控制层(下)
- Angular 2:Web技术发展的必然选择
- android 动态表情包,搞笑斗图动态表情包
- 卡内基梅隆大学机器人研究所课程分享
- ClassLoder总结
- 世界上第一台电子计算机adc,2004山东公务员考试计算机专业理论题
- C++中UTF-8, Unicode, GB2312转换及有无BOM相关问题
- Egret 使用Texture Merger制作美术字体
- JavaScript基本原理常识
- 使用MATLAB进行频谱分析
- # Pedometer 计步器算法简介
- 亚信安全防毒墙网络版客户端无密码退出、卸载
- 快讯:新一届“教指委”成立大会,今日在京隆重举行
- 云学习1 | 云计算与云服务类型了解
- 中国红客联盟-,显示的是此网站存在漏洞,请及时修复…
热门文章
- Java学习 (基础语法)day1 前言、入门程序、常量、变量
- 2022年第6周(1月31日-2月6日)中国各地区电影票房排行榜:江苏票房夺冠,河南票房环比增幅最大(附热榜TOP31详单)
- vc-complex-type.2.4.c: 通配符的匹配很全面, 但无法找到元素 ‘context:property-placeholder‘ 的声明。
- ACL 2021 | ChineseBERT:香侬科技提出融合字形与拼音信息的中文预训练模型
- 2020年度 个人随笔
- MATLAB求矩阵的100次方,Matlab矩阵幂运算
- swi-prolog安装及使用(基于)
- 场内基金和场外基金区别
- 我的架构梦:(七十) 消息中间件之RabbitMQ的消息可靠性
- SQL Server 2017无法启动,提示“系统找不到指定的文件”【虚拟机内安装的】