人工智能算法一&线性回归

简介

这是一个最简单的线性回归例子，图解了算法和相关代码。

详解

前提说明

参数估计中均方误差是指参数估计值与参数真值之差平方的期望值，记为MSE。

要想是预测y=wx+b中的线性回归在大量的x和y都知道的情况下预测w,b。那么对于这种无解析解，那么就需要用到机器学习推出w,b的值，那么mse越小，模型训练的就越好，w,b的值也就越准确。

反之w,b越准确，训练出来的模型也就越好，模型越好，处理的数据也就越真实。

开始训练

前提依赖

pip install sklearn

训练数据 

[[5.344187740028914], [30.91441332291272]]
[[4.690797837330457], [17.989132245249227]]
[[3.06514407164054], [32.67390058378043]]
[[0.29136844635404446], [-15.046942990405128]]
[[2.7042454045721764], [-4.198779971237319]]
[[9.15496044375243], [54.50659423843143]]
[[4.323588254945952], [76.06219903136115]]

直接上代码

#!/usr/bin/python
# -*- coding: UTF-8 -*-
import sys
import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn import metrics
def curce_data(x,y,y_pred):
	x=x.tolist()
	y=y.tolist()
	y_pred=y_pred.tolist()
	results=zip(x,y,y_pred)
	results=["{},{},{}".format(s[0][0],s[1][0],s[2][0]) for s in results ]
	return results

def read_data(path):
	with open(path) as f :
		lines=f.readlines()
	lines=[eval(line.strip()) for line in lines]
	X,y=zip(*lines)
	X=np.array(X)
	y=np.array(y)
	return X,y
#这里得到的数据情况。
#原始数据
# [[5.344187740028914], [30.91441332291272]]
# [[4.690797837330457], [17.989132245249227]]
# [[3.06514407164054], [32.67390058378043]]

# 得到的X_train:
# [[5.344187740028914],[4.690797837330457],[3.06514407164054]]
#得到的y_train
#[[30.91441332291272],[17.989132245249227],[32.67390058378043]]
X_train,y_train=read_data("train_data")
X_test,y_test=read_data("test_data")

#一个对象，它代表的线性回归模型，它的成员变量，就已经有了w，b. 刚生成w和b的时候 是随机的
model = LinearRegression()
#一调用这个函数，就会不停地找合适的w和b 直到误差最小
model.fit(X_train, y_train)
#打印W
print (model.coef_)
#打印b
print (model.intercept_)
#模型已经训练完毕,用模型看下在训练集的表现
y_pred_train = model.predict(X_train)
#sklearn 求解训练集的mse
# y_train 在训练集上 真实的y值
# y_pred_train 通过模型预测出来的y值
#计算  (y_train-y_pred_train)^2/n
train_mse=metrics.mean_squared_error(y_train, y_pred_train)
print ("训练集MSE:", train_mse)

#看下在测试集上的效果
y_pred_test = model.predict(X_test)
test_mse=metrics.mean_squared_error(y_test, y_pred_test)
print ("测试集MSE:",test_mse)
train_curve=curce_data(X_train,y_train,y_pred_train)
test_curve=curce_data(X_test,y_test,y_pred_test)
print ("推广mse差", test_mse-train_mse)
'''
with open("train_curve.csv","w") as f :
	f.writelines("\n".join(train_curve))
with open("test_curve.csv","w") as f :
	f.writelines("\n".join(test_curve))
'''

下面是得到的结果 

可以看到测试的MSE相对训练的MSE会大一点。

 

原因是：

测试集里面只有少量的包含了训练集的数据。这个时候测试集的mse就会要高一点，如果测试集在训练集里面那么可能就会低。 

还有就是求mse为什么用平方：

因为尽量的放大mse，对于得到的收益也越大，预测成功的数据也会越广。

还有就是如果是常数，那么就没有办法做梯度下降算法。

梯度下降

推导

对于上面的y=x*w+b求mse公式的优化。

用导数求mse的最小值。关于mse的导数，也叫做梯度，&mse/&w关键在于调整w的值，然后得到mse的最小值，也就是如果&mse/&w>0,那么这是一个单调递增的，如果想找到mse的最小值，那么w就要变小。如果&mse/&w<0,那么就是单调递减。我们要找到mse的最小值，那么w就要变大。

 ,,

 但是这里有一个问题，如果很平滑这个抛物线，那么怎么改变它的速度呢？

上面就是对于改变的w，增加一个学习因子，简单的理解就是步长的意思（根据经验给值） 。

结论

简单的理解就是：

如果想找到mse的最小值，那么就根据mse对于w求导数，让后启动w的值得到最少的mse，那么这个w就是要找到的训练模型的值。

训练集数量问题

下图对应的是全部数量集，和部分数量集的相关想性。 

mse越小越好吗？

不是，因为会出现过拟合的情况。就是避免特例，影响大多数。

 

上图就是在一个合适的时候，停止学习。

怎么判断是否学过了，可以按时间分别的学习，如果mse开始变大了，那么前面的mse相对就会好一点。

多元分析mse

比如房价预测，x1地段，x2时间....,预测y最后的房价。

公式

开始训练 

# -*- encoding:utf-8 -*-
from sklearn import datasets
from sklearn.model_selection import train_test_split 
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import cross_val_predict
from numpy import shape
from sklearn import metrics
import numpy as np
def extend_feature(x):
	result=[x[0],x[0]]
	result.extend(x[1:])
	return result
	#return [x[0],x[0]]
def read_data(path):
	with open(path) as f :
		lines=f.readlines()
	lines=[eval(line.strip()) for line in lines]
	X,y=zip(*lines)
	X=[extend_feature(x) for x in X]
	X=np.array(X)
	y=np.array(y)
	return X,y
#train_data里面的数据
#[[3.69311, 0.0, 18.1, 0.0, 0.713, 6.376, 88.4, 2.5671, 24.0, 666.0, 20.2, 391.43, 14.65], 17.7]
#[[0.06211, 40.0, 1.25, 0.0, 0.429, 6.49, 44.4, 8.7921, 1.0, 335.0, 19.7, 396.9, 5.98], 22.9]
#这里就是得到了x的数组，和对应y的数组
#x[[3.69311, 0.0, 18.1, 0.0, 0.713, 6.376, 88.4, 2.5671, 24.0, 666.0, 20.2, 391.43, 14.65],[0.06211, 40.0, 1.25, 0.0, 0.429, 6.49, 44.4, 8.7921, 1.0, 335.0, 19.7, 396.9, 5.98]]
#y[17.7,22.9]
X_train,y_train=read_data("train_data")
X_test,y_test=read_data("test_data")
 
 
model = LinearRegression()
#对于得到的x,y分别的数组进行训练
model.fit(X_train, y_train)

#得到对应的w,b
print (model.coef_)#打印w
print (model.intercept_)#打印b

#根据得到的模型，输入x，得到y
y_pred = model.predict(X_train)

#根据预测的数值和真实的数值求mse，mse越小的，模型训练的也就越好。w,b也就越准确
print ("MSE:", metrics.mean_squared_error(y_train, y_pred))

y_pred = model.predict(X_test)
print ("MSE:", metrics.mean_squared_error(y_test, y_pred))
 
 

得到的结果

线性回归花式玩法

处理多元数据有随机数的情况

在多元处理模型的时候，如果有些数太乱，也就是错误数据，比如下面的x4是随机的，那么求出来的w4接近于零。也就是对于最后的运算结果影响不会太大，但是会消耗计算机的计算能力。

处理x数据有重复的情况（分析维度冗余）

模型结果有相同的情况

 

结论 

线性回归最好数据在一条直线上。

如果x的比比较大就会形成抛物线，如下图。

训练出来大概的模型是。

 

得到的结果图

 

 

数据一定尽量真实才能通过训练出来的模型，更具x得到y。

也就是说，线性回归在多个维度，只要数据足够的真实都能够得到对应的模型，预测y的值。

还有就是维度不是越多越好，如果维度太多，模型过于拟和，对于后面的预测不准确

总之使用 线性回归的时候，取的维度适中，不能过拟合，数据也要足够的真实。