回归分析

本篇为《Python机器学习》一书的笔记。

一、简单线性回归模型

简单（单变量）线性回归的目标是：通过模型来描述某一特征（解释变量x），与连续输出（目标特征y）之间的关系。当只有一个解释变量时，线性模型的函数定义如下：

线性回归可以看成是求解样本点的最佳拟合直线，这条最佳拟合线被称为回归线，回归线与样本点之间的垂直连线即残差——预测的误差，如图所示：

 python做简单线性回归模型（即只有一个解释变量x）

#导入库
import numpy as np
import pandas as pd
from sklearn import datasets
import matplotlib.pyplot as plt
import seaborn as sns          #Seaborn是基于matplotlib的python数据可视化库
from sklearn.linear_model import LinearRegression

#获取数据
boston=datasets.load_boston()
data=boston.data
target=boston.target
df=pd.DataFrame(data,columns=['CRIM','ZN','INDUS','CHAS','NOX','RM','AGE','DIS','RAD','TAX','PTRATIO','B','LSTAT'])
df['MEDV']=pd.DataFrame(target)
print(df.head())

#画散点图
pd.scatter_matrix(df,diagonal='kde',color='k',alpha=0.3)
plt.show()

 

 通过散点图可以了解数据的分布情况，以及是否包含异常值。从图中可看出RM与MEDV之间存在线性关系。

 之后，通过创建相关系数矩阵，来量化特征之间的关系。相关系数矩阵是一个包含皮尔逊积矩相关系数的方阵，用来衡量两两特征间的线性依赖关系。取值范围-1~1。如r=1表示两个特征完全相关，r=0表示不相关，r=-1表示两个特征完全负相关。

#构造相关系数矩阵
cm=np.corrcoef(df.values.T)
sns.set(font_scale=1.5)  #横纵坐标字体缩放倍数
hm=sns.heatmap(cm,cbar=True,annot=True,square=True,fmt='.2f',annot_kws={'size':10},yticklabels=df.columns,xticklabels=df.columns)
plt.show()

• heatmap(data, vmin=None, vmax=None, cmap=None, center=None, robust=False, annot=None, fmt='.2g', annot_kws=None, linewidths=0, linecolor='white', cbar=True, cbar_kws=None, cbar_ax=None, square=False, xticklabels='auto', yticklabels='auto', mask=None, ax=None, **kwargs)

参数：（引用https://zhuanlan.zhihu.com/p/28447106）

cmap：matplotlib的colormap名称或颜色对象；如果没有提供，默认为cubehelix map (数据集为连续数据集时) 或 RdBu_r (数据集为离散数据集时)

center:将数据设置为图例中的均值数据，即图例中心的数据值；通过设置center值，可以调整生成的图像颜色的整体深浅；设置center数据时，如果有数据溢出，则手动设置的vmax、vmin会自动改变。

xticklabels: 如果是True，则绘制dataframe的列名。如果是False，则不绘制列名。如果是列表，则绘制列表中的内容作为xticklabels。 如果是整数n，则绘制列名，但每个n绘制一个label。 默认为True。

yticklabels: 如果是True，则绘制dataframe的行名。如果是False，则不绘制行名。如果是列表，则绘制列表中的内容作为yticklabels。 如果是整数n，则绘制列名，但每个n绘制一个label。 默认为True。默认为True。

annot：annot默认为False，当annot为True时，在heatmap中每个方格写入数据

annot_kws：当annot为True时，可设置各个参数，包括大小，颜色，加粗，斜体字等

fmt：格式设置

cbar：是否绘制彩条，默认绘制

squar：布尔值，true则每个格斗是正方形

上图看出，RM和LSTAT与MEDV的相关性较大，但从散点图看出，LSTAT与MEDV之间非线性关系。所以使用RM做为解释变量进行简单线性回归模型训练。

#构造回归模型
x=df[['RM']].values
y=df['MEDV'].values
slr=LinearRegression()
slr.fit(x,y)
print('slope:%.3f'%slr.coef_ )  #输出x系数
print('intercept:%.3f'%slr.intercept_)  #输出截距

slope:9.102
intercept:-34.671
#拟合图像
plt.scatter(x,y,c='blue')
plt.plot(x,slr.predict(x),c='red')
plt.xlabel('RM')
plt.ylabel('MEDV')
plt.show()

 

 

二、线性回归模型性能的评估

1.绘制残差图

残差图可对回归模型进行评估、获取模型的异常值，同时还可检查模型是否是线性的，以及误差是否随机分布。完美的预测结果其残差为0，实际中，这种情况不会发生，故对于一个好的回归模型，我们期望误差是随机分布的，同时残差也是随机分布于中心线附近。

#多元回归模型
import numpy as np
import pandas as pd
from sklearn import datasets
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
from sklearn.cross_validation import train_test_split

#获取数据，划分训练集、测试集
boston=datasets.load_boston()
x=boston.data
y=boston.target
x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.3,random_state=0)

#训练模型
slr=LinearRegression()
slr.fit(x_train,y_train)
y_train_pred=slr.predict(x_train)
y_test_pred=slr.predict(x_test)


#获取残差图
plt.scatter(y_train_pred,y_train_pred-y_train,c='blue',marker='o',label='training data')
plt.scatter(y_test_pred,y_test_pred-y_test,c='green',marker='s',label='test data')
plt.xlabel('predicted values')
plt.ylabel('residuals')  #残差
plt.legend(loc='best')
plt.hlines(y=0,color='red',xmin=-10,xmax=50)
plt.xlim([-10,50])
plt.show()

 

2、均方误差（MSE）

另一种对模型性能进行定量评估的方法是均方误差（MSE），它是线性回归模型拟合过程中，最小化误差平方和（SSE）代价函数的平均值。MSE可用于不同回归模型的比较，或是通过网格搜索进行参数调优，以及交叉验证等。

from sklearn.metrics import mean_squared_error
print('MSE train: %.3f,test:%.3f'%(mean_squared_error(y_train,y_train_pred),mean_squared_error(y_test,y_test_pred)))

MSE train: 19.966,test:27.18

 训练集MSE值为19.96，测试集MSE骤升为27.18，说明模型过于拟合训练数据了。

 

3、决定系数R²

决定系数R²可以看做是MSE的标准化版本，用于更好的解释模型的性能。R²是模型捕获的响应方差的分数。

R²取值范围 [0,1] .

from sklearn.metrics import r2_score
print('R^2 train: %.3f, test: %.3f'%(r2_score(y_train,y_train_pred),r2_score(y_test,y_test_pred)))

R^2 train: 0.764, test: 0.674

 

三、岭回归、LASSO回归

岭回归：是一种专用于样本量少、存在共线性数据分析的有偏估计回归方法，实质上是一种改良的最小二乘估计法，通过放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价获得回归系数更为符合实际、更可靠的回归方法，对病态数据的拟合要强于最小二乘法。

岭回归通过引入一个惩罚变量解决了普通最小二乘法的问题。

# make_regression生成回归模型数据。几个关键参数有n_samples（生成样本数）， n_features（样本特征数），noise（样本随机噪音）和coef（是否返回回归系数）。
from sklearn.datasets import make_regression
reg_data, reg_target = make_regression(n_samples=100, n_features=2, effective_rank=1, noise=10)

#用交叉验证的方法寻找合适的惩罚变量
from sklearn.linear_model import RidgeCV
ridge=RidgeCV(alphas=[0.01,0.05,0.1,0.5,1.0,10.0])
ridge.fit(reg_data, reg_target)
#6个alpha值，对应6个误差值，最小的均值误差对应最优的alpha值
print(ridge.alpha_)   

0.01   

LASSO回归：LASSO回归也是对回归系数做出限定，寻找对因变量最具解释力的自变量集合，就是通过自变量选择来提供模型的解释性和预测精度。与岭回归类似，它也是通过增加惩罚函数来判断、消除特征间的共线性。

#用交叉验证的方法寻找合适的惩罚变量
from sklearn.linear_model import LassoCV
lasso=LassoCV(alphas=[0.01,0.05,0.1,0.5,1.0,10.0])
lasso.fit(reg_data, reg_target)
print(lasso.alpha_)

 

 

岭回归、LASSO回归参考：

https://blog.youkuaiyun.com/sa14023053/article/details/51817249

https://blog.youkuaiyun.com/SA14023053/article/details/51707514

https://blog.youkuaiyun.com/SA14023053/article/details/51707597

 

转载于:https://www.cnblogs.com/niniya/p/8878480.html