手撸机器学习算法 - 线性回归
系列文章目录：
如果说感知机是最最最简单的分类算法，那么线性回归就是最最最简单的回归算法，所以这一篇我们就一起来快活的用两种姿势手撸线性回归吧；
算法介绍
线性回归通过超平面拟合数据点，经验误差一般使用MSE（均平方误差），优化方法为最小二乘法，算法如下：
- 假设输入数据为X，输出为Y，为了简单起见，这里的数据点为一维数据（更好可视化，处理方式没区别）；
- MSE公式为：
；
- 最小二乘法：最小指的是目标是min，二乘指的就是MSE中误差的二次方，公式为：
；
- 由于目标是查找拟合最好的超平面，因此依然定义变量w和b；
- 对于w和b的求解有两种方式：
- 列出最小化的公式，利用优化求解器求解：
- 基于已知的X、Y，未知的w、b构建MSE公式；
- 定义最小化MSE的目标函数；
- 利用求解器直接求解上述函数得到新的w和b；
- 对经验误差函数求偏导并令其为0推导出w和b的解析解：
- 基于最小化MSE的优化问题可以直接推导出w和b的计算方法；
- 基于推导出的计算方法直接计算求解；
- 列出最小化的公式，利用优化求解器求解：
利用求解器求解
利用求解器求解可以看作就是个列公式的过程，把已知的数据X和Y，未知的变量w和b定义好，构建出MSE的公式，然后丢到求解器直接对w和b求偏导即可，相对来说代码繁琐，但是过程更简单，没有任何数学推导；
代码实现
初始化数据集
X = np.array([1.51, 1.64, 1.6, 1.73, 1.82, 1.87])
y = np.array([1.63, 1.7, 1.71, 1.72, 1.76, 1.86])定义变量符号
所谓变量指的就是那些需要求解的部分，次数就是超平面的w和b；
w,b = symbols('w b',real=True)定义经验误差函数MSE
RDh = 0
for xi,yi in zip(X,y):
RDh += (yi - (w*xi+b))**2
RDh = RDh / len(X)定义求解函数
此处就是对w和b求偏导；
eRDHw = diff(RDh,w)
eRDHb = diff(RDh,b)求解w和b
ans = solve((eRDHw,eRDHb),(w,b))
w,b = ans[w],ans[b]运行结果
完整代码
from sympy import symbols, diff, solve
import numpy as np
import matplotlib.pyplot as plt
'''
线性回归拟合wx+b直线；
最小二乘法指的是优化求解过程是通过对经验误差（此处是均平方误差）求偏导并令其为0以解的w和b；
'''
# 数据集 D X为父亲身高，Y为儿子身高
X = np.array([1.51, 1.64, 1.6, 1.73, 1.82, 1.87])
y = np.array([1.63, 1.7, 1.71, 1.72, 1.76, 1.86])
# 构造符号
w,b = symbols('w b',real=True)
# 定义经验误差计算公式：(1/N)*sum(yi-(w*xi+b))^2)
RDh = 0
for xi,yi in zip(X,y):
RDh += (yi - (w*xi+b))**2
RDh = RDh / len(X)
# 对w和b求偏导：求偏导的结果是得到两个结果为0的方程式
eRDHw = diff(RDh,w)
eRDHb = diff(RDh,b)
# 求解联立方程组
ans = solve((eRDHw,eRDHb),(w,b))
w,b = ans[w],ans[b]
print('使得经验误差RDh取得最小值的参数为：'+str(ans))
plt.scatter(X,y)
x_range = [min(X)-0.1,max(X)+0.1]
y_range = [w*x_range[0]+b,w*x_range[1]+b]
plt.plot(x_range,y_range)
plt.show()推导公式求解
与利用优化器求解的区别在于针对
对
和
求偏导并令其为0，并推导出w和b的计算公式是自己推导的，还是由优化器完成的，事实上如果自己推导，那么最终代码实现上会非常简单（推导过程不会出现在代码中）；
w和b的求解公式推导
首先，我们的优化目标为：
[min \frac{1}{N}\sum_{i=1}^{N}(w*x_i+b-y_i)^2 ]
去除公式中无关的常量部分：
[min \sum_{i=1}^{N}(w*x_i+b-y_i)^2 ]
由于一般w是向量，而b为标量，因此通常会将w和b组成w b，x变为x 1来统一处理w和b，调整后如下：
[\sum_{i=1}^{N}(wx_i^T-y_i)^2 ]
上式把平方拆开有：
[\sum_{i=1}^{N}(ww^Tx_ix_i^T-2wx_i^Ty_i+y_i^2) ]
对于w（注意此时w为原w和b的组合）求偏导过程如下：
[\begin{equation*} \begin{split} \frac{\partial \sum_{i=1}^{N}(ww^Tx_ix_i^T-2wx_i^Ty_i+y_i^2)}{\partial w} &= 2w^Tx_ix_i^T-2x_i^Ty_i \ &= 0 \ \end{split} \end{equation*} ]
上式变形后有：
[2w^Tx_ix_i^T - 2x_i^Ty_i = 0 \ w^Tx_ix_i^T = x_i^Ty_i \ w^T = (x_ix_i^T)^{-1}x_i^Ty_i ]
由于此处的w其实是w和b的组合，因此通过这一次推导就得到了w和b两个求解方法；
代码实现
构造数据集
X = np.array([1.51,1.64,1.6,1.73,1.82,1.87]).reshape(-1,1)
y = np.array([1.63,1.7,1.71,1.72,1.76,1.86])为X增加元素全为1的一列用于和b的计算
ones = np.ones(X.shape[0]).reshape(-1,1)
X = np.hstack((ones,X))通过求解公式求解w和b
w = np.linalg.inv(self.X.T @ self.X) @ self.X.T @ self.y
w,b = w[1:],w[0]运行结果
完整代码
完整代码对于求解部分使用的是伪逆而不是逆，原因在于求解公式中正好构造了伪逆，而伪逆适用性强国求逆，因此使用伪逆代替逆；
import numpy as np
import matplotlib.pyplot as plt
rnd = np.random.RandomState(3) # 为了演示，采用固定的随机
'''
单变量线性回归最小二乘法的矩阵实现：矩阵实现的优势在于numpy本身支持伪逆；
其实就是对于误差平方和的矩阵形式对于W求导并令其为0，得到w_hat = (X^T*X)^-1*X^T*Y，其中(X^T*X)^-1*X^T称为伪逆（pseudo inverse，即函数pinv）
因此可以省略中间大量的构造经验误差、解偏导方程组等步骤；
'''
class LinearRegression(object):
def __init__(self,X,y):
ones = np.ones(X.shape[0]).reshape(-1,1) # 1用于计算b
self.X = np.hstack((ones,X))
self.y = y
def train(self):
# 注意，虽然一般情况下下面二者是等价的，但是在矩阵无法求逆或某些其他情况下时，二者并不相等
# 相对而言伪逆定义更加宽泛，用处更广，因此可以的情况下建议使用伪逆
# self.w = np.linalg.inv(self.X.T @ self.X) @ self.X.T @ self.y
self.w = np.linalg.pinv(self.X) @ self.y
self.w = self.w.reshape(-1)
self.w,self.b = self.w[1:],self.w[0]
return self.w,self.b
def predict(self,x):
return self.w.dot(x)+self.b
def get(self):
return self.X,self.y,self.w,self.b
if __name__ == '__main__':
X0 = np.array([1.51,1.64,1.6,1.73,1.82,1.87]).reshape(-1,1)
y = np.array([1.63,1.7,1.71,1.72,1.76,1.86])
model = LinearRegression(X=X0,y=y)
w,b = model.train()
print(f'最小二乘法的矩阵方式结果为：w={w} b={b}')
print(model.predict(np.array([X0[0]])))
plt.scatter(X0,y)
plt.plot([min(X0),max(X0)],[model.predict(min(X0)),model.predict(max(X0))])
plt.show()最后
对于算法的学习，一定的数学知识是必要的，对于公式的推导可以让我们对于算法内部运行逻辑有更深的了解；