前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >Python|机器学习-一元线性回归

Python|机器学习-一元线性回归

作者头像
福贵
发布2019-08-15 18:34:30
9150
发布2019-08-15 18:34:30
举报
文章被收录于专栏:合集

一元线性回归模型很简单

y1=ax+b+ε,y1为实际值,ε为正态的误差。

y2=ax+b,y2为预测值。

ε=y1-y2。

代码语言:javascript
复制
def model(a,b,x):
  # x is vector,a and b are the common number.
  return a*x+b

这里将整组数据的预测结果方差作为损失函数。

J(a,b)=sum((y1-y2)^2)/n

代码语言:javascript
复制
def cost(a,b,x,y):
    # x is argu, y is actual result.    
    n=len(x)
    return np.square(y-a*x-b).sum()/n

优化函数则进行使损失函数,即方差最小的方向进行搜索

a=a-theta*(∂J/∂a)

b=b-theta*(∂J/∂b)

这里的解释就是,对影响因素a或b求损失函数J的偏导,如果损失函数随着a或b增大而增大,我们就需要反方向搜索,使得损失函数变小。

对于偏导的求取则看的别人的推导公式

theta为搜索步长,影响速度和精度(我猜的,实际没有验证)

代码语言:javascript
复制
def optimize(a,b,x,y):
    theta = 1e-1  # settle the step as 0.1
    n=len(x)
    y_hat = model(a,b,x)
    # compute forecast values
    da = ((y_hat-y)*x).sum()/n
    db = (y_hat-y).sum()/n
    a = a - theta*da
    b = b - theta*db
    return a, b

使用sklearn库,可以使用现成的线性回归模型

代码语言:javascript
复制
import numpy as np
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt

x = [1,2,4,5,6,6,7,9]
x = np.reshape(x,newshape=(8,1))
y =  [10,9,9,9,7,5,3,1]
y = np.reshape(y,newshape=(8,1))
# create an instance of LinearRegression model
lr = LinearRegression()
# train model
lr.fit(x,y)
lr.score(x,y)
# compute y_hat
y_hat = lr.predict(x)
# show the result
plt.scatter(x,y)
plt.plot(x, y_hat)
plt.show()
本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2019-08-15,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 Python与MySQL 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档