1.线性回归算法思维

机器学习算法能够分为有监督学习和无监督学习。

什么是有监督学习算法？
用已知某种或某些个性的样本作为训练集,以建设一个数学模型,再用已建设的模型来预测未知样本,此种办法被称为有监督学习,是最罕用的一种机器学习办法。是从标签化训练数据集中推断出模型的机器学习工作。

回归算法是有监督学习算法的一种，从机器学习的角度来讲,回归算法用于构建一个算法模型，这个模型是属性(X)与标签(Y)之间的映射关系。

线性回归通过一个或者多个自变量与因变量之间之间进行建模的回归剖析。
它的特点为一个或多个称为回归系数的模型参数的线性组合。

2.线性回归示例

将下面的数据看做一行样本，咱们能够失去如下关系

     x(屋宇面积)       y(房租)0   10                          8001   15.5                        1200...5  65.2                        4500

如下图
依据下面这些数据，咱们预测屋宇面积80平米的房租会是多少呢？
首先咱们要找到这样屋宇面积与价格的映射关系， y=ka+b， 如下图

而后通过y=f(x)映射关系，预测房租价格。

这是一个特征值的，那么如果是两个特征值呢？咱们找的就是一个立体。

扩大到更多个特征值，咱们要找的映射关系就是

x就是特征值，

咱们能够看做。* x。， x。为1，而后j失去这个式子

用向量来示意下面这个式子

最终咱们失去

3.误差

咱们失去这个模型，但显然预测值与实在值存在误差，用 来示意误差。
对于每个样本则有

由概率论的核心极限定理，可知误差是独立并且具备雷同的散布,并且遵从均值为0方差为²的高斯分布。

所以

将(1)式带入(2)式

之后用到了似然函数：

为了便于求解，取对数

当

最小时, 也就是为0时， logL()值最大，这个式子也就是咱们的损失函数。
进一步变换：

而后求它的偏导

令偏导为0，最终能够求得

这个就是最小二乘法，也是线性回归损失函数的求解办法之一。

对于下面的屋宇面积与房租关系样本的代码示例

import numpy as npfrom matplotlib import pyplot as pltfrom sklearn.linear_model import LinearRegression as lr# 屋宇面积数据x_list = [10, 15.5, 20.2, 35.0, 48.3, 58.9, 65.2]# 对应的房租数据y_list = [800, 1200, 1600, 2500, 3300, 3800, 4500]x = np.array(x_list).reshape(-1,1)y = np.array(y_list).reshape(-1,1)model = lr()model.fit(x, y)y_plot = model.predict(x)print(model.coef_)plt.figure(figsize=(5,5),dpi=80, facecolor='w')plt.scatter(x, y, color='red', linewidths=2,)plt.plot(x, y_plot, color='blue',)x_tick = list(range(5, 70, 5))plt.grid(alpha=0.4)plt.xticks(x_tick)plt.show()

后果

[[63.66780288]]

3.波士顿房价预测示例

从sklearn.datasets中获取相干数据集，应用规范线性回归，建设房价预测模型，并绘制房价预测值和实在房价的散点、折线图。
代码示例

# coding:utf-8from sklearn.datasets import load_bostonfrom sklearn.linear_model import LinearRegression as lrfrom sklearn.model_selection import train_test_splitfrom sklearn.preprocessing import StandardScalerfrom matplotlib import pyplot as pltfrom matplotlib import font_managerfont = font_manager.FontProperties(fname="/usr/share/fonts/wps-office/msyhbd.ttf")def my_predic_fun():    """    应用线性回归预测波士顿预测房价    :return:    """    lb = load_boston()    x_train, x_test, y_train, y_test = train_test_split(lb.data, lb.target, test_size=0.2)    x_std = StandardScaler()    y_std = StandardScaler()    x_train = x_std.fit_transform(x_train)    x_test = x_std.transform(x_test)    y_train = y_std.fit_transform(y_train.reshape(-1,1))    y_test = y_std.transform(y_test.reshape(-1,1))    model = lr()    model.fit(x_train, y_train)    y_predict = y_std.inverse_transform(model.predict(x_test))    return y_predict, y_std.inverse_transform(y_test)def draw_fun(y_predict, y_test):    """    绘制房价预测与实在值的散点和折线图    :param y_predict:    :param y_test:    :return:    """    x = range(1,len(y_predict)+1)    plt.figure(figsize=(20, 8), dpi=80)    plt.scatter(x, y_test, label="实在值",color='blue')    plt.scatter(x, y_predict,label='预测值', color='red')    plt.plot(x,y_test)    plt.plot(x,y_predict)    x_tick = list(x)    y_tick = list(range(0,60,5))    plt.legend(prop=font, loc='best')    plt.xticks(list(x), x_tick)    plt.yticks(y_tick)    plt.grid(alpha=0.4)    plt.show()if __name__ == '__main__':    y_predict, y_test = my_predic_fun()    draw_fun(y_predict, y_test)

后果

参考：https://blog.csdn.net/guoyunf...