《python机器学习从入门到高级》:线性回归和正则化
- ?本文收录于《python机器学习从入门到高级》专栏,此专栏主要记录如何使用python实现机器学习模型,尽量坚持每周持续更新,欢迎大家订阅!
- 个人主页:JoJo的数据分析历险记
- 个人介绍:小编大四统计在读,目前保研到统计学top3高校继续攻读统计研究生
- 如果文章对你有帮助,欢迎?
关注
、点赞
、?收藏
、订阅
专栏
python
实现机器学习算法,想要了解具体机器学习理论的小伙伴,可以看我的这个专栏:统计学习方法文章目录
- 《python机器学习从入门到高级》:线性回归和正则化
- 1.线性回归
- 2.正则化
-
- 2.1岭回归
- 2.2 Lasso回归
- 2.3 early stopping
上一章中我们以minist数据集演示了如何实现一个分类算法,并进行选择。这一章中,我们将介绍广义线性模型。广义线性模型是机器学习的基础部分,也是很多其他算法的延伸。本文主要介绍一下如何实现简单的线性回归和正则化方法? |
1.线性回归 通常,线性回归通过简单计算输入特征的加权和,加上一个称为偏差项(也称为截距项)的常数来进行预测。具体公式如下:
y ^ = β 0 + β 1 X 1 + . . . + β n X n \hat{y}=\beta_0 + \beta_1 X_1+...+\beta_n X_n y^?=β0?+β1?X1?+...+βn?Xn?
接下来我们看看具体如何实现线性回归模型
import numpy as np
import matplotlib.pyplot as plt
# 生成模拟数据集
X = np.random.randn(100,1)
y = 3*X+4+np.random.randn(100,1)
观察一下生成的数据集
文章图片
plt.plot(X, y, "b.")
plt.xlabel("$x_1$", fontsize=18)
plt.ylabel("$y$", rotation=0, fontsize=18)
plt.axis([0, 2, 0, 15])
plt.savefig("generated_data_plot")
plt.show()
可以看出数据呈现比较明显的线性趋势,下面使用
LinearRegression
实现对线性模型的训练from sklearn.linear_model import LinearRegression
lin_reg = LinearRegression()
lin_reg.fit(X, y)
a = lin_reg.intercept_
b = lin_reg.coef_
a,b#回归系数和截距
(array([3.86880209]), array([[3.0229374]]))
下面根据训练好的线性回归模型进行预测,
X_new = np.array([[0], [2]])
y_predict = lin_reg.predict(X_new)
y_predict
array([[3.86880209],
[9.91467688]])
将预测结果可视化如下
plt.plot(X_new, y_predict, "r-", linewidth=2, label="Predictions")
plt.plot(X, y, "b.")
plt.xlabel("$x_1$", fontsize=18)
plt.ylabel("$y$", rotation=0, fontsize=18)
plt.legend(loc="upper left", fontsize=14)
plt.axis([0, 2, 0, 15])
plt.show()
文章图片
可以看出拟合结果还不错,下面我们绘制一下Learning curve:随着模型训练样本的变化观察训练集和测试集的误差
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import train_test_split
'''
定义learning_curves函数
'''
def plot_learning_curves(model, X, y):
X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2, random_state=10)#将数据分为训练集合验证集
train_errors, val_errors = [], []#定义训练误差和验证误差
for m in range(1, len(X_train) + 1):
model.fit(X_train[:m], y_train[:m])#根据训练集大小训练模型
y_train_predict = model.predict(X_train[:m])#拟合训练集
y_val_predict = model.predict(X_val)#拟合验证集
train_errors.append(mean_squared_error(y_train[:m], y_train_predict))#计算训练集MSE
val_errors.append(mean_squared_error(y_val, y_val_predict))#计算测试集MSE
plt.plot(np.sqrt(train_errors), "r-", linewidth=2, label="train")#绘制训练集RMSE
plt.plot(np.sqrt(val_errors), "b-", linewidth=3, label="val")#绘制测试集RMSE
plt.legend(loc="upper right", fontsize=14)#增加图例
plt.xlabel("Training set size", fontsize=14)
plt.ylabel("RMSE", fontsize=14)
lin_reg = LinearRegression()
plot_learning_curves(lin_reg, X, y)
plt.axis([0, 80, 0, 3])
plt.show()
?
?
文章图片
从
Learning Curve
看出,随着样本增加val不断下降,对于该数据集而言,当训练集为80时,训练集和测试集误差基本相等。2.正则化
过拟合
是机器学习中一个非常重要的问题,减少过拟合有很多方法,例如正则化
、增加数据
或early stopping
等对于线性模型而言,正则化通常通过约束模型系数来实现。接下来主要介绍岭回归、Lasso回归、early stopping2.1岭回归 岭回归相对于最小二乘法的优势来源于能通过 λ \lambda λ来权衡偏差方差。随着 λ \lambda λ 的增加,岭回归拟合的灵活性降低,导致方差减小,但偏差增大。岭回归和最小二乘法估计非常类似,但是最小化的损失函数不同,这里是让下述损失函数最小:
∑ i = 1 n ( y i ? β 0 ? ∑ j = 1 p β j x i j ) 2 + λ ∑ j = 1 p β j 2 = R S S + λ ∑ j = 1 p β j 2 \sum_{i=1}^{n}(y_i-\beta_0-\sum_{j=1}^{p}\beta_jx_{ij})^2+\lambda\sum_{j=1}^{p}\beta_j^2=RSS+\lambda\sum_{j=1}^{p}\beta_j^2 i=1∑n?(yi??β0??j=1∑p?βj?xij?)2+λj=1∑p?βj2?=RSS+λj=1∑p?βj2?
λ ≥ 0 \lambda \geq 0 λ≥0.其中 λ ∑ j = 1 p β j 2 \lambda\sum_{j=1}^{p}\beta_j^2 λ∑j=1p?βj2?是惩罚项.此时如果 β j \beta_j βj?越小,那么损失函数越小,以此来控制回归系数。当 λ = 0 \lambda=0 λ=0时,相当于就是普通的线性回归,当 λ \lambda λ接近无穷大时,所有的回归系数均为0.因此对于每一个 λ \lambda λ都会产生一系列不同的回归系数。因此如何选择 λ \lambda λ是一个需要思考的问题,下面我们看看如何实现岭回归
#生成数据集
np.random.seed(42)#设置随机种子,保障代码重用性
m = 20
X = 3 * np.random.rand(m, 1)
y = 1 + 0.5 * X + np.random.randn(m, 1) / 1.5
X_new = np.linspace(0, 3, 100).reshape(100, 1)
#训练模型
from sklearn.linear_model import Ridge
ridge_reg = Ridge(alpha=1, random_state=42)
ridge_reg.fit(X, y)
ridge_reg.get_params()
{'alpha': 1,
'copy_X': True,
'fit_intercept': True,
'max_iter': None,
'normalize': False,
'random_state': 42,
'solver': 'auto',
'tol': 0.001}
上述是我们去alphl=1的情况下的拟合值,但是alpha是一个超参数,我们有时候需要对进行交叉验证等方法来进行选择,下面我们来看一下alphl分别为1,10,100的拟合结果图
![output_25_0](output_25_0.pngfrom sklearn.linear_model import Ridge
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
def plot_model(model_class, alphas, **model_kargs):
for alpha, style in zip(alphas, ("b-", "g--", "r:")):
model = model_class(alpha, **model_kargs) if alpha > 0 else LinearRegression()
model.fit(X, y)
y_new_regul = model.predict(X_new)
lw = 2 if alpha > 0 else 1
plt.plot(X_new, y_new_regul, style, linewidth=lw, label=r"$\alpha = {}$".format(alpha))
plt.plot(X, y, "b.", linewidth=3)
plt.legend(loc="upper left", fontsize=15)
plt.xlabel("$x_1$", fontsize=18)
plt.axis([0, 3, 0, 4])plt.figure(figsize=(8,4))
plot_model(Ridge, alphas=(0, 10, 100), random_state=42)
plt.ylabel("$y$", rotation=0, fontsize=18)
plt.savefig("ridge_regression_plot")
plt.show()
?
文章图片
上图是在 α \alpha α取不同值的拟合结果,可以发现,当 α \alpha α越大,回归曲线越平缓,因为对这些系数的约束越大
2.2 Lasso回归 岭回归确实有一个明显的缺点。岭回归将在最终模型中包含所有预测变量。惩罚项只会让所有的回归系数接近于0,但是不会等于0(除非 λ = ∞ \lambda=\infty λ=∞)。这对预测准确性来说可能没有影响,但在变量数量相当大的情况下,模型的可解释性有待考量。然后Lasso回归相对而言可以解决这个问题。与岭回归不同的是,Lasso回归可以选择最重要的几个特征拟合模型,可以让某些不重要变量的系数等于零,从而达到降纬的效果,基本公式如下:
∑ i = 1 n ( y i ? β 0 ? ∑ j = 1 p β j x i j ) 2 + λ ∑ j = 1 p ∣ β j ∣ = R S S + λ ∑ j = 1 p ∣ β j ∣ \sum_{i=1}^{n}(y_i-\beta_0-\sum_{j=1}^{p}\beta_jx_{ij})^2+\lambda\sum_{j=1}^{p}|\beta_j|=RSS+\lambda\sum_{j=1}^{p}|\beta_j| i=1∑n?(yi??β0??j=1∑p?βj?xij?)2+λj=1∑p?∣βj?∣=RSS+λj=1∑p?∣βj?∣
from sklearn.linear_model import Lassoplt.figure(figsize=(8,4))plot_model(Lasso, alphas=(0, 0.1, 1), random_state=42)
plt.ylabel("$y$", rotation=0, fontsize=18)plt.savefig("lasso_regression_plot")
plt.show()
文章图片
2.3 early stopping 正则化迭代学习算法(如梯度下降)的另一种非常不同的方法是,一旦验证误差达到最小值,就停止训练,被称为
early stopping
该方法通过批量梯度下降进行训练。随着时间的推移,算法学习,训练集上的预测误差(RMSE)和验证集上的预测误差都会下降。但过了一段时间后,验证误差又会上升(导致了过拟合)。这个时候我们可以做的是提取结束训练,当模型不会达到过拟合的程度。也被称为“免费的午餐”,下面我们来看看具体是如何实现的# 生成数据集
np.random.seed(42)
m = 100
X = 6 * np.random.rand(m, 1) - 3
y = 2 + X + 0.5 * X**2 + np.random.randn(m, 1)
X_train, X_val, y_train, y_val = train_test_split(X[:50], y[:50].ravel(), test_size=0.5, random_state=10)
from copy import deepcopy
from sklearn.preprocessing import PolynomialFeatures
poly_scaler = Pipeline([
("poly_features", PolynomialFeatures(degree=90, include_bias=False)),#生成多项式回归
("std_scaler", StandardScaler())
])X_train_poly_scaled = poly_scaler.fit_transform(X_train)#标准化处理
X_val_poly_scaled = poly_scaler.transform(X_val)#标准化sgd_reg = SGDRegressor(max_iter=1, tol=-np.infty, warm_start=True,
penalty=None, learning_rate="constant", eta0=0.0005, random_state=42)#拟合SGD回归minimum_val_error = float("inf")
best_epoch = None#定义最优的迭代次数
best_model = None#定义最优的模型
for epoch in range(1000):
sgd_reg.fit(X_train_poly_scaled, y_train)# 拟合模型
y_val_predict = sgd_reg.predict(X_val_poly_scaled)#预测
val_error = mean_squared_error(y_val, y_val_predict)#计算MSE
if val_error < minimum_val_error:
minimum_val_error = val_error
best_epoch = epoch
best_model = deepcopy(sgd_reg)
best_epoch,best_model
(239,
SGDRegressor(eta0=0.0005, learning_rate='constant', max_iter=1, penalty=None,
random_state=42, tol=-inf, warm_start=True))
【python|《python机器学习从入门到高级》(线性回归和正则化(含源码))】可以看出第239次迭代时,拟合效果最好,下面进行可视化
sgd_reg = SGDRegressor(max_iter=1, tol=-np.infty, warm_start=True,
penalty=None, learning_rate="constant", eta0=0.0005, random_state=42)n_epochs = 500
train_errors, val_errors = [], []
for epoch in range(n_epochs):
sgd_reg.fit(X_train_poly_scaled, y_train)
y_train_predict = sgd_reg.predict(X_train_poly_scaled)
y_val_predict = sgd_reg.predict(X_val_poly_scaled)
train_errors.append(mean_squared_error(y_train, y_train_predict))
val_errors.append(mean_squared_error(y_val, y_val_predict))best_epoch = np.argmin(val_errors)
best_val_rmse = np.sqrt(val_errors[best_epoch])plt.annotate('Best model',
xy=(best_epoch, best_val_rmse),
xytext=(best_epoch, best_val_rmse + 1),
ha="center",
arrowprops=dict(facecolor='black', shrink=0.05),
fontsize=16,
)
plt.plot([0, n_epochs], [best_val_rmse, best_val_rmse], "k:", linewidth=2)
plt.plot(np.sqrt(val_errors), "b-", linewidth=3, label="Validation set")
plt.plot(np.sqrt(train_errors), "r--", linewidth=2, label="Training set")
plt.legend(loc="upper right", fontsize=14)
plt.xlabel("Epoch", fontsize=14)
plt.ylabel("RMSE", fontsize=14)
plt.savefig("early_stopping_plot")
plt.show()
?
文章图片
best_epoch, best_model
(239,
SGDRegressor(eta0=0.0005, learning_rate='constant', max_iter=1, penalty=None,
random_state=42, tol=-inf, warm_start=True))
本章的分享到此结束,下一章将进一步分享广义线性模型:
logistic回归
和softmax回归
等本章的介绍到此介绍,如果文章对你有帮助,请多多点赞、收藏、评论、关注支持!!
推荐阅读
- python|python调用百度文字转语音api
- 深度学习|yolov5之可视化特征图和检测结果
- 3个Python初学者编程项目
- python|内网渗透横向攻击流程
- 使用shutil.copy复制具有文件名的文件路径列表
- Python如何在异常发生后立即停止执行函数()
- 无法在使用win32COM python库创建的PIVOT表中插入计算字段
- 如何像在REST中一样实现GRPC调用()
- Python Pandas将字符串与groupby结合在一起