Python机器学习的练习二：多元线性回归
Python机器学习的练习二：多元线性回归
在第1部分中，我们用线性回归来预测新的食品交易的利润，它基于城市的人口数量。对于第2部分，我们有了一个新任务——预测房子的售价。这次的不同之处在于我们有多个因变量。我们知道房子的大小，以及房子里卧室的数量。我们尝试扩展以前的代码来处理多元线性回归。
首先让我们看一下数据。
path= os.getcwd()+ '\data\ex1data2.txt'
data2= pd.read_csv(path, header=None, names=['Size','Bedrooms','Price'])
data2.head()Size | Bedrooms | Price | |
|---|---|---|---|
0 | 2104 | 3 | 399900 |
1 | 1600 | 3 | 329900 |
2 | 2400 | 3 | 369000 |
3 | 1416 | 2 | 232000 |
4 | 3000 | 4 | 539900 |
每个变量值的大小都是不同的，一个房子大约有2-5个卧室，可能每个房间的大小都不一样，如果我们在这个数据集上运行原来的回归算法，那么“size”影响的权重就太大了，就会降低“number of bedrooms”的影响，为了解决这个问题，我们需要做一些所谓的“特征标准化”。也就是需要调整特征的比例来平衡竞争关系。一种方法是用特征的均值减去另一个特征的均值，然后除以标准差。这是使用的pandas的代码。
data2= (data2- data2.mean())/ data2.std()
data2.head()Size | Bedrooms | Price | |
|---|---|---|---|
0 | 0.130010 | -0.223675 | 0.475747 |
1 | -0.504190 | -0.223675 | -0.084074 |
2 | 0.502476 | -0.223675 | 0.228626 |
3 | -0.735723 | -1.537767 | -0.867025 |
4 | 1.257476 | 1.090417 | 1.595389 |
接下来我们需要修改练习一中的线性回归的实现，以处理多个因变量。下面是梯度下降函数的代码。
def gradientDescent(X, y, theta, alpha, iters):
temp= np.matrix(np.zeros(theta.shape))
parameters= int(theta.ravel().shape[1])
cost= np.zeros(iters)
for iin range(iters):
error= (X* theta.T)- y
for jin range(parameters):
term= np.multiply(error, X[:,j])
temp[0,j]= theta[0,j]- ((alpha/ len(X))* np.sum(term))
theta= temp
cost[i]= computeCost(X, y, theta)
return theta, cost仔细观察计算误差项的代码行error = (X * theta.T) – y，我们会在矩阵运算中一直使用它。这是线性代数在工作中的力量：不管X中有多少变量(列)，只要参数的个数是一致的，这个代码就能正常工作。类似地，只要y中的行数允许，它将计算X中每行的错误项。这是一种将ANY表达式一次性应用于大量实例的有效方法。
由于我们的梯度下降和成本函数都使用矩阵运算，所以处理多元线性回归所需的代码实际上没有变化。我们来测试一下，首先通过初始化创建适当的矩阵来传递函数。
# add ones column
data2.insert(0,'Ones',1)
# set X (training data) and y (target variable)
cols= data2.shape[1]
X2= data2.iloc[:,0:cols-1]
y2= data2.iloc[:,cols-1:cols]
# convert to matrices and initialize theta
X2= np.matrix(X2.values)
y2= np.matrix(y2.values)
theta2= np.matrix(np.array([0,0,0]))现在运行，看会发生什么
# perform linear regression on the data set
g2, cost2= gradientDescent(X2, y2, theta2, alpha, iters)
# get the cost (error) of the model
computeCost(X2, y2, g2)0.13070336960771897
我们可以绘制训练过程，确认实际误差随着每次迭代梯度下降而减少。
fig, ax= plt.subplots(figsize=(12,8))
ax.plot(np.arange(iters), cost2,'r')
ax.set_xlabel('Iterations')
ax.set_ylabel('Cost')
ax.set_title('Error vs. Training Epoch')
解决方案的成本或误差随着每个成功的迭代而下降，直到它触底。这正是我们希望发生的事情。我们的算法起作用了。
Python的伟大之处在于它的庞大的开发者社区和丰富的开源软件。在机器学习领域，顶级Python库是scikit-learn。让我们看看如何使用scikit- learn的线性回归类来处理第一部分的简单线性回归任务。
from sklearnimport linear_model
model= linear_model.LinearRegression()
model.fit(X, y)没有比这更简单的了。“fit”方法有很多参数，我们可以根据我们想要的算法来调整参数，默认值可以感测到遗留下来的问题。试着绘制拟合参数，和之前的结果比较。
x= np.array(X[:,1].A1)
f= model.predict(X).flatten()
fig, ax= plt.subplots(figsize=(12,8))
ax.plot(x, f,'r', label='Prediction')
ax.scatter(data.Population, data.Profit, label='Traning Data')
ax.legend(loc=2)
ax.set_xlabel('Population')
ax.set_ylabel('Profit')
ax.set_title('Predicted Profit vs. Population Size')
我使用了“predict”函数预测的y值来绘制直线。这比手动操作要容易得多。scikit- learn有一个很好的API，它可以为典型的机器学习工作流程提供很多便利功能。
本文为编译文章，作者John Wittenauer，原网址为
http://www.johnwittenauer.net/machine-learning-exercises-in-python-part-2/