目錄
- 1 線性回歸api介紹
- 小結
- 2 波士頓房價預測
- 2.1 案例背景介紹
- 2.2 案例分析
- 2.3 回歸性能評估
- 2.4 代碼實作
- 2.4.1 正規方程
- 2.4.2 梯度下降法
- 2.5 小結
1 線性回歸api介紹
- sklearn.linear_model.LinearRegression(fit_intercept=True)
- 通過正規方程優化
- 參數
- fit_intercept:是否計算偏置
- 屬性
- LinearRegression.coef_:回歸系數
- LinearRegression.intercept_:偏置
- sklearn.linear_model.SGDRegressor(loss=“squared_loss”, fit_intercept=True, learning_rate =‘invscaling’, eta0=0.01)
- SGDRegressor類實作了随機梯度下降學習,它支援不同的loss函數和正則化懲罰項來拟合線性回歸模型。
- 參數:
- loss:損失類型
- loss=”squared_loss”: 普通最小二乘法
- fit_intercept:是否計算偏置
- learning_rate : string, optional
- 學習率填充
- ‘constant’: eta = eta0
- ‘optimal’: eta = 1.0 / (alpha * (t + t0))
- ‘invscaling’: eta = eta0 / pow(t, power_t)[default]
- power_t=0.25:存在父類當中
- 對于一個常數值的學習率來說,可以使用learning_rate=’constant’ ,并使用eta0來指定學習率。
- 屬性:
- SGDRegressor.coef_:回歸系數
- SGDRegressor.intercept_:偏置
sklearn提供給我們兩種實作的API, 可以根據選擇使用
小結
- 正規方程
- sklearn.linear_model.LinearRegression()
- 梯度下降法
- sklearn.linear_model.SGDRegressor()
2 波士頓房價預測
2.1 案例背景介紹
- 資料介紹
給定的這些特征,是專家們得出的影響房價的結果屬性。我們此階段不需要自己去探究特征是否有用,隻需要使用這些特征。到後面量化很多特征需要我們自己去尋找
2.2 案例分析
回歸當中的資料大小不一緻,是否會導緻結果影響較大。是以需要做标準化處理。
- 資料分割與标準化處理
- 回歸預測
- 線性回歸的算法效果評估
2.3 回歸性能評估
均方誤差(Mean Squared Error)MSE)評價機制:
注:yi為預測值,
為真實值
思考:MSE和最小二乘法的差別是?
- sklearn.metrics.mean_squared_error(y_true, y_pred)
- 均方誤差回歸損失
- y_true:真實值
- y_pred:預測值
- return:浮點數結果
2.4 代碼實作
2.4.1 正規方程
def linear_model1():
"""
線性回歸:正規方程
:return:None
"""
# 1.擷取資料
data = load_boston()
# 2.資料集劃分
x_train, x_test, y_train, y_test = train_test_split(data.data, data.target, random_state=22)
# 3.特征工程-标準化
transfer = StandardScaler()
x_train = transfer.fit_transform(x_train)
x_test = transfer.fit_transform(x_test)
# 4.機器學習-線性回歸(正規方程)
estimator = LinearRegression()
estimator.fit(x_train, y_train)
# 5.模型評估
# 5.1 擷取系數等值
y_predict = estimator.predict(x_test)
print("預測值為:\n", y_predict)
print("模型中的系數為:\n", estimator.coef_)
print("模型中的偏置為:\n", estimator.intercept_)
# 5.2 評價
# 均方誤差
error = mean_squared_error(y_test, y_predict)
print("誤差為:\n", error)
return None
2.4.2 梯度下降法
def linear_model2():
"""
線性回歸:梯度下降法
:return:None
"""
# 1.擷取資料
data = load_boston()
# 2.資料集劃分
x_train, x_test, y_train, y_test = train_test_split(data.data, data.target, random_state=22)
# 3.特征工程-标準化
transfer = StandardScaler()
x_train = transfer.fit_transform(x_train)
x_test = transfer.fit_transform(x_test)
# 4.機器學習-線性回歸(特征方程)
estimator = SGDRegressor(max_iter=1000)
estimator.fit(x_train, y_train)
# 5.模型評估
# 5.1 擷取系數等值
y_predict = estimator.predict(x_test)
print("預測值為:\n", y_predict)
print("模型中的系數為:\n", estimator.coef_)
print("模型中的偏置為:\n", estimator.intercept_)
# 5.2 評價
# 均方誤差
error = mean_squared_error(y_test, y_predict)
print("誤差為:\n", error)
return None
estimator = SGDRegressor(max_iter=1000,learning_rate="constant",eta0=0.1)
2.5 小結
- 正規方程和梯度下降法api在真實案例中的使用
- 線性回歸性能評估
- 均方誤差