機器學習--線性迴歸與梯度算法

線性迴歸(Linear Regression),亦稱爲直線迴歸,即用直線表示的迴歸,與曲線迴歸相對。若因變量Y對自變量X1、X2…、Xm的迴歸方程是線性方程,即μy=β01X12X2 +…βmXm,其中β0是常數項,βi是自變量Xi的迴歸係數,M爲任何天然數。這時就稱Y對X1、X2、…、Xm的迴歸爲線性迴歸。git

簡單迴歸:算法

只有一個自變量的線性迴歸稱爲簡單迴歸,以下面示例:數組

X表示某商品的數量,Y表示這些不一樣數量商品的總價格dom

x=[0, 1, 2, 3, 4, 5]函數

y=[0, 17, 45, 55, 85, 99]測試

二維座標中繪圖以下圖:優化

 

如今當商品數量 X = 6時,估計商品總價是多少?spa

咱們能夠很明顯的看到,商品總價隨商品的數量上升而上升,這是一個典型的線性迴歸。3d

由於只有一個自變量X,咱們假設線性迴歸模型: Y = a * X + bcode

咱們須要求出最合適的a,b值,使得直線:Y = a * X + b 與上圖的趨勢相擬合,這時候才能去預測不一樣商品數量X下的總價Y。

最小二乘法:

 爲了求出最合適的a b ,咱們引入最小二乘法。

最小二乘法,亦稱最小二乘法估計。由樣本觀測值估計整體參數的一種經常使用方法。它用於從n對觀測數據(x1,y1),(x2,y2),……,(xn,yn)肯定x與y之間對應關係y=f(x)的一種最佳估計,使得觀測值與估計值之差(即誤差)的平方和 H爲最小。

最小二乘法能儘可能消除偶然偏差的影響,從而由一組觀測數據求出最可靠、最可能出現的結果。

由上圖咱們能夠很明顯的看出直線Y = a * X + b過原點,即 b = 0

咱們嘗試不一樣的a值 獲得的結果以下:  

a = 19 時 H = 154

a = 20 時 H = 85

a = 21 時 H = 126

 圖像分別以下:

    

 

 咱們能夠粗略得出結論 a = 20,b = 0 時,線性模型 Y = 20 * X 與樣本數據擬合的比較好。

因此當商品數量 X = 6 時,咱們能夠粗略估計總價Y = 20 * 6 = 120

多元迴歸:

大於一個自變量的線性迴歸叫作多元迴歸。

上面的例子只是一個自變量,處理起來比較簡單,可是若自變量有不少,假設自變量有m個,爲 [ x1,x2,x3,x4.....xm ]

這時候咱們假設的迴歸係數(即權重)也須要有m個,即咱們假設的線性模型是 Y =  X0 +  X1*W1 + X2*W2 + X3*W3 + ....... + Xm*Wm 

爲了計算方便,咱們去W0 = 1

這樣:Y =  X0*W0 +  X1*W1 + X2*W2 + X3*W3 + ....... + Xm*Wm

寫成向量形式:

W = [W0,W1 , W2 ,W3 , .... ,Wm]   

X = [ X0, X1 , X2 , X, .... , Xm]

Y = WT * X (WT爲向量W的轉置)

觀測值與估計值之差(即誤差)的平方和:

爲了方便後面計算,咱們在H的左邊乘上二分之一,即:

上面公式中 n 表示訓練樣本的數目,m 表示每條訓練樣本 的特徵(自變量)個數,上標表示屬於第 j 個 樣本,下標表示第 i 個特徵(自變量值),表示第 j 個樣本總價觀測值

如今H是關於W0,W1,W2....Wm的函數,咱們須要經過合適的方法求出最適合的W值,才能得出一個比較好的線性迴歸方程。與簡單迴歸相比,這裏咱們很難經過觀察與嘗試不一樣的w值來求解,咱們須要採用最優化算法。

梯度算法:

常見的最優化算法有梯度降低法(Gradient Descent)、牛頓法和擬牛頓法(Newton's method & Quasi-Newton Methods)、共軛梯度法(Conjugate Gradient)、 啓發式優化方法等,本文詳細介紹梯度算法。

明確下咱們如今的目標:咱們須要經過梯度算法求出---當在H取得最小的狀況下,W0 ,W1 ,W2 ,W3 , ....... ,Wm的值,從而寫出迴歸方程。

梯度算法分爲梯度上升算法 和 梯度降低算法。梯度降低算法的基本思想是:要找到某函數的最小值,最好的方法是沿着該函數的梯度方向探尋,梯度上升則相反。對於一個有兩個未知數x,y的函數f(x,y),梯度表示爲:

 

對於Z = f(x,y),使用梯度降低算法的意味着 沿X軸方向移動,沿Y的方向移動,函數f(x,y)必需要在待計算的點上有定義而且可微。

能夠通俗理解爲:

梯度其實是函數值變化最快的方向。好比說,你站在一個山上,梯度所指示的方向是高度變化最快的方向。你沿着這個方向走,能最快的改變(增長或是減少)你所在位置的高度,可是若是你亂走,可能走半天所在位置高度也沒有變化多少。也就是說,若是你一直沿着梯度走,你就能最快的到達山的某個頂峯或低谷。因此實際上,梯度算法是用來搜索局部極小值或極大值的,它是實際應用中一種很是高效,高速且可靠的方法。

用梯度降低法找出最小H

咱們前面看到:

H是關於W = [W0 ,W1 ,W2 ,W3 , ....... ,Wm]的函數,H的梯度以下:

這個時候對於每個Wi的梯度:

 

 

 咱們假設每次沿着梯度方向更新的步長爲 α,因此W的值更新公式可寫爲:

 因此梯度降低算法的僞代碼以下:

每一個迴歸係數(即每一個W值)的每一個值都爲1

重複R次:

  計算整個數據集的梯度

     使用 更新迴歸係數W

實例:

 用梯度降低 算法求下面商品數據的線性迴歸方程

咱們假設線性迴歸模型爲總價Y = a + b * X1 + c * X(X1 X2 分別表示商品1,2的數量)

咱們須要求出迴歸係數W = [ a, b, c]

梯度降低算法以下:

 1 import numpy as np
 2 
 3 def grad_desc(train_data, train_labels):
 4     """梯度降低"""
 5     data_mat = np.matrix(train_data)
 6     label_mat = np.matrix(train_labels).transpose()
 7     n = np.shape(data_mat)[1]
 8     # 步長
 9     alpha = 0.001
10     # 最大循環次數
11     max_cycles = 100
12     # 初始化迴歸係數weights
13     weights = np.ones((n, 1))
14     for index in range(max_cycles):
15         h = data_mat * weights-label_mat
16         weights = weights - alpha * data_mat.transpose() * h
17         # 返回壓平的係數數組
18     return np.asarray(weights).flatten()

咱們用上面算法獲得的迴歸係數爲

[ 1.7218815 4.24881047 5.28838946]
 
隨機梯度算法:
 
上述梯度算法中,循環R = 100次,每一次更新迴歸係數都須要遍歷整個數據集,若是數據樣本很大,那麼計算時間複雜度將會很是高。
因此通常每次使用一個樣本點來更新迴歸係數,稱爲隨機梯度算法。
隨機梯度降低算法僞代碼以下:
全部迴歸係數初始化爲1
  重複R次:
    循環每個樣本:
      計算該樣本的梯度

         使用 更新迴歸係數W

 修改後的算法以下:

 1 import numpy as np
 2 
 3 def advanced_random_grad_desc(train_data, train_labels):
 4     """隨機梯度降低改進"""
 5     data_mat = np.asarray(train_data)
 6     label_mat = np.asarray(train_labels)
 7     m, n = np.shape(data_mat)
 8     # 步長
 9     alpha = 0.001
10     # 初始化迴歸係數weights
11     weights = np.ones(n)
12     max_cycles = 500
13     for j in range(max_cycles):
14         data_index = list(range(m))
15         for i in range(m):
16             random_index = int(np.random.uniform(0, len(data_index)))
17             h = sum(data_mat[random_index] * weights)-label_mat[random_index]
18             weights = weights - alpha * h * data_mat[random_index]
19             del data_index[random_index]
20     return weights

計算獲得的迴歸係數爲:

[ 1.27137416 4.31393524 5.2757683 ]

 咱們能夠獲得線性迴歸方程爲:

Y = 1.27 + 4.31 * X1 + 5.28 * X2

寫在後面的話:

本文的完整代碼已上傳:https://gitee.com/beiyan/machine_learning/tree/master/gradient

 隨機梯度降低(上升)算法使用很是普遍,效果也很是好,後續文章將使用梯度算法來解決一些問題。不例外,梯度算法也是有缺點的,如靠近極小值時收斂速度減慢、直線搜索時可能會產生一些問題、可能會「之字形」地降低等,另外降低或上升步長的選擇也會影響最後獲得的迴歸係數,咱們能夠經過改變一些參數來測試迴歸的效果。

相關文章
相關標籤/搜索