【线性回归(最小二乘法MSE)】——机器学习

目录

[1 最小二乘法MSE](#1 最小二乘法MSE)

[1.1 前景知识:矩阵相关公式](#1.1 前景知识:矩阵相关公式)

[1.2 最小二乘法](#1.2 最小二乘法)

[1.3 API](#1.3 API)

[1.4 示例代码](#1.4 示例代码)


1 最小二乘法MSE

x1 x2 x3 x4 x5 x6 x7 x8 x0 y
0 14 8 0 5 -2 9 -3 1 339
-4 10 6 4 -14 -2 -14 8 1 -114
-1 -6 5 -12 3 -3 2 -2 1 30
5 -2 3 10 5 11 4 -8 1 126
-15 -15 -8 -15 7 -4 -12 2 1 -395
11 -10 -2 4 3 -9 -6 7 1 -87
-14 0 4 -3 5 10 13 7 1 422
-3 -7 -2 -8 0 -6 -5 -9 1 -309

1.1 前景知识:矩阵相关公式

1.2 最小二乘法

这就是最小二乘法公式,是欧几里得范数的平方,也就是每个元素的平方相加

虽然这个案例中n=8,但是常常令n=2,因为是一个常数 求最小值时n随便取哪个正数都不会影响W结果,但是求导过程可以约掉前面的系数,会加速后面的计算

表示第1行分别和W相乘

表示第2行分别和W相乘

高斯把公式给了,但是何时loss最小呢?

1.二次方程导数为0时最小

求导:

2.先展开矩阵乘法:

3.进行求导(注意X,y都是已知的,W是未知的)

4.令导数loss'=0

5.矩阵没有除法,使用逆矩阵转化

第二种方式链式求导(推荐,因为后期深度学习全是这种):

内部函数是,外部函数是 ,其中

外部函数的导数:

内部函数的导数:

应用链式法则,我们得到最终的梯度:

有了W,回到最初的问题:

求如果karen的各项指标是:

被爱:11 学习指数:14 抗压指数:8 运动指数:10 饮食水平:5 金钱:10 权利:8 压力:1

那么karen的健康程度是多少?

分别用W各项乘以新的X 就可以得到y健康程度

1.3 API

复制代码
sklearn.linear_model.LinearRegression()
功能: 普通最小二乘法线性回归, 权重和偏置是直接算出来的,对于数量大的不适用,因为计算量太大,计算量太大的适合使用递度下降法

参数:
fit_intercept	bool, default=True
	是否计算此模型的截距(偏置)。如果设置为False,则在计算中将不使用截距(即,数据应中心化)。
属性:	 
coef_ 回归后的权重系数
intercept_ 偏置

print("权重系数为:\n", estimator.coef_)  #权重系数与特征数一定是同样的个数。
print("偏置为:\n", estimator.intercept_)

1.4 示例代码

python 复制代码
from sklearn.linear_model import LinearRegression
import numpy as np
data=np.array([[0,14,8,0,5,-2,9,-3,399],
               [-4,10,6,4,-14,-2,-14,8,-144],
               [-1,-6,5,-12,3,-3,2,-2,30],
               [5,-2,3,10,5,11,4,-8,126],
               [-15,-15,-8,-15,7,-4,-12,2,-395],
               [11,-10,-2,4,3,-9,-6,7,-87],
               [-14,0,4,-3,5,10,13,7,422],
               [-3,-7,-2,-8,0,-6,-5,-9,-309]])
x,y = data[:,:-1],data[:,-1]

model = LinearRegression(fit_intercept=False) #不计算偏置项 b=0
model.fit(x, y)

print("偏置系数,w向量:",model.coef_)
print("偏置项:",model.intercept_)

w = model.coef_
b = model.intercept_s
x = [[0,14,8,0,5,-2,9,-3]]
y_pred = model.predict(x)#x@w.T+b#np.sum(w*x)+b
print("预测值:",y_pred)

输出结果:

python 复制代码
偏置系数,w向量: [ 3.41704677  9.64733333  9.96900258  0.49065266 10.67072206  4.50852922
 17.60894156 12.27111727]
偏置项: 18.18163864119797
预测值: [399.]
相关推荐
Nix Lockhart18 小时前
《算法与数据结构》第六章[第4节]:哈夫曼树
数据结构·算法
多多*20 小时前
linux安装hbase(完)
java·分布式·算法·c#·wpf
java1234_小锋21 小时前
Scikit-learn Python机器学习 - 回归分析算法 - Lasso 回归 (Lasso Regression)
python·算法·机器学习
thginWalker21 小时前
分布式协议与算法实战-实战篇
分布式·算法
润 下1 天前
C语言——函数(超详细分析)
c语言·开发语言·笔记·算法
tumu_C1 天前
无用知识研究:用sfinae实现函数模板的overload [一]
开发语言·c++·算法
-森屿安年-1 天前
数据结构——排序
数据结构·算法·排序算法
西望云天1 天前
Trie树实战:三道典型例题
数据结构·算法·icpc
dragoooon341 天前
[优选算法专题三.二分查找——NO.20搜索插入位置 ]
算法·leetcode·动态规划
hn小菜鸡1 天前
LeetCode 1089.复写零
算法·leetcode·职场和发展