前言

本章主要介绍线性回归、岭回归、Lasso回归，tensorflow实现的线性回归的简单例子代码。
原理篇看这里
[机器学习-原理篇]学习之线性回归、岭回归、Lasso回归

1.线性回归

from sklearn import linear_model
def test_linearRegression(X, y):clf = linear_model.LinearRegression()clf.fit(X, y)print('linearRegression coef:',clf.coef_)print('linearRegression intercept:',clf.intercept_)
if __name__ == '__main__':X = [[0, 0], [1, 1], [2, 2.]]y = [[0], [1], [2.]]test_linearRegression(X, y)

linearRegression coef: [[0.5 0.5]]
linearRegression intercept: [1.11022302e-16]

2. 岭回归

from sklearn import linear_model
def test_ridge(X, y):clf = linear_model.Ridge(alpha=.1)clf.fit(X, y)print('ridge coef:',clf.coef_)print('ridge intercept',clf.intercept_)
if __name__ == '__main__':X = [[0, 0], [1, 1], [2, 2.]]y = [[0], [1], [2.]]test_ridge(X, y)

ridge coef: [[0.48780488 0.48780488]]
ridge intercept [0.02439024]

3. Lasso回归

from sklearn import linear_model
def test_lasso(X, y):clf = linear_model.Lasso(alpha=0.1)clf.fit(X, y)print('lasso coef:',clf.coef_)print('lasso intercept: ',clf.intercept_)
if __name__ == '__main__':X = [[0, 0], [1, 1], [2, 2.]]y = [[0], [1], [2.]]test_lasso(X, y)

从这个例子看出，第二特征的权重直接是0，由此可以进一步得出结论
lasso 可以用来做 feature selection，而 ridge 不行。或者说，lasso 更容易使得权重变为 0，而 ridge 更容易使得权重接近 0。

lasso coef: [0.85 0.  ]
lasso intercept:  [0.15]

4. tensorflow利用梯度下降实现的线性回归

import tensorflow as tf
TRAIN_STEPS = 10
def test_tensorflow1(X, y):w = tf.Variable(initial_value=[[1.0],[1.0]])#w2 = tf.Variable(initial_value=1.0)b = tf.Variable(initial_value=0.)optimizer = tf.keras.optimizers.SGD(0.1)mse = tf.keras.losses.MeanSquaredError()for i in range(TRAIN_STEPS):#print("epoch:", i)#print("w1:", w.numpy())#print("b:", b.numpy())with tf.GradientTape(persistent=True,watch_accessed_variables=True) as g:logit = tf.matmul(X, w) + bloss = mse(y, logit)#loss = (y - logit)*(y - logit)gradients = g.gradient(target=loss, sources=[w, b]) # 计算梯度#print(gradients)optimizer.apply_gradients(zip(gradients, [w, b]))  # 更新梯度print("test_tensorflow1 w1:", w.numpy())print("test_tensorflow1 b:", b.numpy())def test_tensorflow2(X, y):w = tf.Variable(initial_value=[[1.0],[1.0]])#w2 = tf.Variable(initial_value=1.0)b = tf.Variable(initial_value=0.)optimizer = tf.keras.optimizers.SGD(0.1)mse = tf.keras.losses.MeanSquaredError()for i in range(TRAIN_STEPS):#print("epoch:", i)#print("w1:", w.numpy())#print("b:", b.numpy())with tf.GradientTape(persistent=True,watch_accessed_variables=True) as g:logit = tf.matmul(X, w) + bloss = tf.square((y - logit))loss = tf.reduce_sum(loss)/3gradients = g.gradient(target=loss, sources=[w, b]) # 计算梯度#print(gradients)optimizer.apply_gradients(zip(gradients, [w, b]))  # 更新梯度print("test_tensorflow2 w1:", w.numpy())print("test_tensorflow2 b:", b.numpy())if __name__ == '__main__':X = [[0, 0], [1, 1], [2, 2.]]#X = [[0], [1], [2]]y = [[0], [1], [2.]]test_linearRegression(X, y)test_lasso(X, y)test_ridge(X, y)test_tensorflow1(X, y)test_tensorflow2(X, y)

test_tensorflow1 w1: [[0.5456011][0.5456011]]
test_tensorflow1 b: -0.13680318
test_tensorflow2 w1: [[0.5456011][0.5456011]]
test_tensorflow2 b: -0.13680318

[机器学习-实践篇]学习之线性回归、岭回归、Lasso回归，tensorflow实现的线性回归相关推荐

机器学习（七）线性回归与岭回归Lasso回归与弹性网络与正则化
机器学习(七) 线性回归最小二乘法(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 ...
普通线性回归/岭回归/lasso回归[x.T/np.dot/lrg.coef_/lrg.intercept_/Xw = y/r2_score]
基础运算导包 import numpy as np 随机产生数据集 a = np.random.randint(0,10,size = (2,3)) a Out: array([[2, 8, 2], ...
岭回归Lasso回归
转自:https://blog.csdn.net/dang_boy/article/details/78504258 https://www.cnblogs.com/Belter/p/8536939. ...
笔记︱范数正则化L0、L1、L2-岭回归Lasso回归（稀疏与特征工程）
机器学习中的范数规则化之(一)L0.L1与L2范数博客的学习笔记,对一些要点进行摘录.规则化也有其他名称,比如统计学术中比较多的叫做增加惩罚项:还有现在比较多的正则化. -------------- ...
[机器学习-原理篇]学习之线性回归、岭回归、Lasso回归
线性回归.岭回归.Lasso回归前言一,线性回归--最小二乘二,Lasso回归三,岭回归四, Lasso回归和岭回归的同和异五, 为什么 lasso 更容易使部分权重变为 0 而 ridg ...
【机器学习】正则化的线性回归 —— 岭回归与Lasso回归
python风控评分卡建模和风控常识(博客主亲自录制视频教程) https://study.163.com/course/introduction.htm?courseId=1005214003&am ...
[机器学习] - 岭回归与Lasso回归
注:在学习机器学习中回归算法时,随时都会接触最小二乘法原理和求解过程,最小二乘法可能对于理工科的学生低头不见抬头见的知识点,特点是在我学习<数值分析>课程中,老师讲了些最小二乘法的历史[- ...
线性回归、lasso回归、岭回归以及弹性网络的系统解释
线性回归.lasso回归.岭回归以及弹性网络的系统解释声明背景介绍概述线性回归模型函数及损失函数线性回归算法多项式回归(线性回归的推广) 广义线性回归(线性回归的推广) 岭回归(Ridge ...
多元线性回归算法: 线性回归Linear Regression、岭回归Ridge regression、Lasso回归、主成分回归PCR、偏最小二乘PLS
0. 问题描述输入数据:X=(x1,x2,....,xm)\mathbf{X} = (x_1, x_2,...., x_m)X=(x1,x2,....,xm), 相应标签 Y=(y1,y2,. ...

[机器学习-实践篇]学习之线性回归、岭回归、Lasso回归，tensorflow实现的线性回归

线性回归、岭回归、Lasso回归

前言

1.线性回归

2. 岭回归

3. Lasso回归

4. tensorflow利用梯度下降实现的线性回归

[机器学习-实践篇]学习之线性回归、岭回归、Lasso回归，tensorflow实现的线性回归相关推荐

最新文章

热门文章