机器学习算法之线性回归的推导及应用

“

阅读本文大概需要 3 分钟。

”

之前说过会陆续写一些基本的机器学习算法的原理、推导和应用的文章，今天开始连载啦。

每篇文章的思路是这样的：

• 通过实例引入这个算法的使用场景
• 公式详细推导这个算法的实现原理
• 借助 Python 类库来进行具体实践

如果大家觉得有哪些可以优化的地方可以留言给我，我会慢慢完善的。再后面会陆续放送各个机器学习算法、深度学习模型及相关的实例实践，希望对大家有帮助。

今天首先讲解最基本的机器学习算法，线性回归。

线性回归是机器学习中最基本的算法了，一般要学习机器学习都要从线性回归开始讲起，本节就对线性回归做一个详细的解释。

实例引入

在讲解线性回归之前，我们首先引入一个实例，张三、李四、王五、赵六都要贷款了，贷款时银行调查了他们的月薪和住房面积等因素，月薪越高，住房面积越大，可贷款金额越多，下面列出来了他们四个人的工资情况、住房面积和可贷款金额的具体情况：

看到了这样的数据，又来了一位孙七，他工资是 12000 元，房屋面积是 60 平，那他大约能贷款多少呢？

思路探索

那这时候应该往哪方面考虑呢？如果我们假定可贷款金额和工资、房屋面积都是线性相关的，要解决这个问题，首先我们想到的应该就是初高中所学的一次函数吧，它的一般表达方式是

，

就是自变量，

就是因变量，

是自变量的系数，

是偏移量，这个式子表明

和

是线性相关的，

会随着

的变化而呈现线性变化。

现在回到我们的问题中，情况稍微不太一样，这个例子中是可贷款金额会随着工资和房屋面积而呈现线性变化，此时如果我们将工资定义为

，房屋面积定义为

，可贷款金额定义为

，那么它们三者的关系就可以表示为：

，这里的自变量就不再是一个了，而是两个，分别是

和

，自变量系数就表示为了

和

，我们将其转化为表达的形式，同时将变量的名字换一下，就成了这个样子：

这里只不过是将原表达式转为函数形式，换了个表示名字，另外参数名称从

换成了

，

换成了

，为什么要换？因为在机器学习算法中

用的更广泛一些，约定俗成。

然后这个问题怎么解？我们只需要求得一组近似的

参数使得我们的函数可以拟合已有的数据，然后整个函数表达式就可以表示出来了，然后再将孙七的工资和房屋面积代入进去，就求出来他可以贷款的金额了。

思路拓展

那假如此时情景变一变，变得更复杂一些，可贷款金额不仅仅和工资、房屋面积有关，还有当前存款数、年龄等等因素有关，那我们的表达式应该怎么写？不用担心，我们有几个影响因素，就写定义几个变量，比如我们可以将存款数定义为

，年龄定义为

，如果还有其他影响因素我们可以继续接着定义，如果一共有

个影响因素，我们就定义到

，这时候函数表达式就可以变成这样子了：

这个式子看起来挺长的不好写的吧，我们可以使用求和公式写成如下形式：

如果要使得这个公式成立，这里需要满足一个条件就是

，其实在实际场景中

是不存在的，因为第一个影响因素我们用

来表示了，第二个影响因素我们用

来表示了，依次类推。所以这里我们直接指定

即可。

后来我们又将公式简化为线性代数的向量表示，这里

是

向量转置的结果，而

向量又表示为

，同样地，

向量可以表示为

，总之，表达成后面的式子，看起来更简洁明了。

好了，这就是最基本的线性判别解析函数的写法，是不是很简单。

实际求解

那接下来我们怎样实际求解这个问题呢？比如拿张三的数据代入到这个函数表达式中，这里还是假设有两个影响因素，张三的数据我们可以表示为

，注意这里我们在数据的右上角加了一个小括号，里面带有数字，如果我们把张三的数据看成一个条目，那么这个数字就代表了这个条目的序号，1 就代表第一条数据，2 就代表第二条数据，为啥这么写？也是约定俗成，以后也会经常采用这样的写法，记住就好了。

所以，我们的愿景是要使得我们的函数能够拟合当前的这条数据，所以我们希望是这样的情况：

其中

是真实值，但我们知道，哪有那么容易十全十美，丝毫不差的拟合函数，所以上面的式子一般来说是不成立的，函数计算值和真实值还是多少还是有一定的误差的吧，如果我们想知道函数真实拟合的结果的话，我们需要把

变量代入函数，会得到一个函数本身拟合的结果，是这样的：

这里的

就是我们函数得到的结果了。一般来说，二者是会存在一定的误差的，所以误差我们一般可以写成他们的差的绝对值或平方的形式，使用绝对值或平方的目的是消去正负号的影响，比如写成平方的形式就是这样子：

这个式子就是我们函数真实拟合值和真实值之间的差距，没问题吧。

相应的，如果是李四的数据，误差就可以写为：

依次类推，如果是第

条数据，误差就可以写成：

要使得我们的函数对所有的数据都能尽量很好地拟合，我们可以把这些误差加起来求个平均，假设一共

条数据，那么所有数据的误差可以写成如下形式：

注意这里

指的是第几条数据，是从 1 开始的，一直到

为止，然后使用了求和公式对每一条数据的误差进行累加和，最后除以了

，我们的最终目的就是找出合适的

，使得这个

的值最小，即误差最小，在机器学习中，我们就把

称为损失函数（Loss Function），即我们要使得损失值最小。

有的小伙伴可能好奇损失函数前面为什么是

，而不是

？因为我们后面要用到这个算式的导数，所以这里多了个 2 是为了便于求导计算。况且一个表达式要求最小值，前面乘一个常数是对结果没影响的。

求解过程

由于我们求解的是线性回归问题，所以整个损失函数的图像非常简单清晰，如果只有

和

两个参数，我们甚至可以直接画出其图像，整个损失函数大小随

和

的变化实际上类似于这样子：

可以看到这是一个凸函数，竖轴代表损失函数的大小，横纵两轴代表

和

的变化，可见在中间的最低谷损失函数取得最小值，这时候损失函数在

和

上的导数都是 0，因此我们可以一步到位，直接用偏导置零的方式来求解损失函数取得最小值时的

值的大小。

所以我们可以先对每个

求解其偏导结果，这里

表示为

，代表

中的某一维：

直接将偏导置零即可直接求解

：

这里将所有数据代入，即可通过求解方程组的形式直接解出

的值，但这些方程组里面其实

之间存在彼此依赖关系，需要联立求解出来。

如果不用这种求解方式，我们可以使用梯度下降的方式来进行求解，在这里

只需要逐步更新即可：

这里

就是学习率，

每经过一步都会进行一次更新，得到新的结果，经过梯度下降过程，

都会更新为使得梯度最小化的数值，最后就完成了

的求解。

以上便是线性回归的整个推导和求解过程。

实战操作

现在呢，我们想要根据前面的数据来求解这个真实的问题，为了解决这个问题，我们在这里用 Python 的 Sklearn 库来实现。

对于线性回归来说，Sklearn 已经做好了封装，直接使用 LinearRegression 即可。

它的 API 如下：

class sklearn.linear_model.LinearRegression(fit_intercept=True, normalize=False, copy_X=True, n_jobs=None)

参数解释如下：

• fit_intercept : 布尔值，是否使用偏置项，默认是 True。
• normalize : 布尔值，是否启用归一化，默认是 False。当 fit_intercept 被置为 False 的时候，这个参数会被忽略。当该参数为 True 时，数据会被归一化处理。
• copy_X : 布尔值，默认是 True，如果为 True，x 参数会被拷贝不会影响原来的值，否则会被复写。
• n_jobs：数值或者布尔，如果设置了，则多核并行处理。

属性如下：

• coef_：x 的权重系数大小
• intercept_：偏置项大小

代码实现如下：

from sklearn.linear_model import LinearRegression

x_data = [
    [6000, 58],
    [9000, 77],
    [11000, 89],
    [15000, 54]
]
y_data = [
    30000, 55010, 73542, 63201
]

lr = LinearRegression()
lr.fit(x_data, y_data)
print('方程为：y={w1}x1+{w2}x2+{b}'.format(w1=round(lr.coef_[0], 2),
                                       w2=round(lr.coef_[1], 2),
                                       b=lr.intercept_))
x_test = [[12000, 60]]
print('住房面积为：', lr.predict(x_test)[0])

运行结果：

方程为：y=4.06x1+743.15x2+-37831.862532707615
住房面积为：55484.33779181102

在这里我们首先声明了 LinearRegression 对象，然后将数据整合成 x_data 和 y_data 的形式，然后通过调用 fit() 方法来对数据进行拟合。

拟合完毕之后，LinearRegression 的 coef_ 对象就是各个 x 变量的权重大小，即对应着

，intercept_ 则是偏移量，对应着

，这样我们就可以得到一个线性回归表达式了。

然后我们再调用 predict() 方法，将新的测试数据传入，便可以得到其预测结果，最终结果为 55484.34，即孙七的可贷款额度为 55484.34 元。

以上便是机器学习中线性回归算法的推导解析和相关调用实现。

崔庆才

静觅博客博主，《Python3网络爬虫开发实战》作者

隐形字

个人公众号：进击的Coder