当前位置：首页 > article >正文

【机器学习】线性回归模型

article 2024/10/31 19:06:06

线性回归是机器学习中最基础的算法之一。它主要用于回归任务，即预测一个连续的数值输出。本文将从零开始，带领你构建线性回归模型，逐步推演损失函数、梯度下降、学习率等核心概念，并使用numpy实现。最后，我们会通过sklearn快速实现线性回归模型。

线性回归模型简介

线性回归模型的核心思想是用一个直线（或超平面）拟合一组数据，找到特征和目标变量之间的线性关系。其数学表达式为：

$\cdot x + b$
其中：

( y ) 是预测值（输出），
( w ) 是权重（或斜率），
( x ) 是输入变量（特征），
( b ) 是偏置（截距）。

目标是找到合适的 ( w ) 和 ( b )，使得模型的预测结果尽可能接近真实值。

损失函数

为了衡量模型的预测值和真实值之间的差距，我们使用损失函数。常见的损失函数是均方误差（MSE, Mean Squared Error），其公式如下：

$\frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y_i})^2$
其中：

( y_i ) 是第 (i) 个样本的真实值，
( \hat{y_i} ) 是模型的预测值，
( n ) 是样本数。

损失函数越小，说明模型越准确。

梯度下降（Gradient Descent）

为了最小化损失函数，我们使用梯度下降算法。梯度下降的基本思想是从随机初始化的参数开始，逐步调整参数，使得损失函数逐渐变小，最终找到最优解。

梯度下降的更新规则：
$\alpha \frac{\partial L}{\partial w}\\ b = b - \alpha \frac{\partial L}{\partial b}$
其中：

( \alpha ) 是学习率（决定每次更新的步长），
( \frac{\partial L}{\partial w} ) 是损失函数关于 ( w ) 的导数（梯度），
( \frac{\partial L}{\partial b} ) 是损失函数关于 ( b ) 的导数。

学习率（Learning Rate）

学习率 ( \alpha ) 是梯度下降中的重要超参数。它决定了每次参数更新的步长。学习率过大，可能会错过最优解；学习率过小，训练过程会非常缓慢，甚至陷入局部最优解。

代码实现：从零开始构建线性回归模型

接下来，我们使用 numpy 从头实现一个线性回归模型。

数据准备

我们首先构造一组简单的线性数据，用来训练我们的模型。

import numpy as np
import matplotlib.pyplot as plt

# 生成数据
np.random.seed(42)
X = 2 * np.random.rand(100, 1)  # 随机生成 100 个点，范围在 [0, 2]
y = 4 + 3 * X + np.random.randn(100, 1)  # y = 4 + 3x + 噪声

# 可视化数据
plt.scatter(X, y)
plt.xlabel("X")
plt.ylabel("y")
plt.title("Generated Data")
plt.show()

损失函数实现

接下来，我们实现均方误差（MSE）损失函数。

def mse_loss(y_true, y_pred):
    return np.mean((y_true - y_pred) ** 2)

梯度计算

我们需要计算损失函数对 ( w ) 和 ( b ) 的偏导数：

def compute_gradients(X, y, w, b):
    n = len(y)
    y_pred = X.dot(w) + b
    dw = (2/n) * X.T.dot(y_pred - y)
    db = (2/n) * np.sum(y_pred - y)
    return dw, db

梯度下降算法

使用梯度下降算法更新参数 ( w ) 和 ( b )：

def gradient_descent(X, y, w, b, learning_rate, iterations):
    for i in range(iterations):
        dw, db = compute_gradients(X, y, w, b)
        w -= learning_rate * dw
        b -= learning_rate * db
        
        if i % 100 == 0:
            y_pred = X.dot(w) + b
            loss = mse_loss(y, y_pred)
            print(f"Iteration {i}: Loss = {loss}")
            
    return w, b

模型训练

初始化参数并开始训练：

# 初始化参数
w = np.random.randn(1, 1)
b = np.random.randn(1)

# 超参数设置
learning_rate = 0.1
iterations = 1000

# 训练模型
w_trained, b_trained = gradient_descent(X, y, w, b, learning_rate, iterations)
print(f"Trained weights: {w_trained}, Trained bias: {b_trained}")

模型可视化

训练结束后，我们可以将拟合直线与原始数据进行对比：

# 绘制拟合直线
plt.scatter(X, y)
plt.plot(X, X.dot(w_trained) + b_trained, color='red')
plt.xlabel("X")
plt.ylabel("y")
plt.title("Linear Regression Fit")
plt.show()

使用 `sklearn` 实现线性回归

最后，我们使用 sklearn 库快速实现同样的线性回归模型。

from sklearn.linear_model import LinearRegression

# 训练模型
lin_reg = LinearRegression()
lin_reg.fit(X, y)

# 输出权重和偏置
print(f"Sklearn Trained weights: {lin_reg.coef_}, Sklearn Trained bias: {lin_reg.intercept_}")

# 绘制拟合直线
plt.scatter(X, y)
plt.plot(X, lin_reg.predict(X), color='red')
plt.xlabel("X")
plt.ylabel("y")
plt.title("Linear Regression with Sklearn")
plt.show()