线性回归正规方程解法推导线性回归的正规方程解

转载

mob64ca140f29e5 2024-02-15 17:43:30

文章标签 线性回归正规方程解法推导线性回归正规方程权重 文章分类 机器学习人工智能

一、纲要

　　线性回归的正规方程解法

　　局部加权线性回归

二、内容详述

1、线性回归的正规方程解法

　　线性回归是对连续型的数据进行预测。这里讨论的是线性回归的例子，对于非线性回归先不做讨论。这部分内容我们用的是正规方程的解法，理论内容在之前已经解释过了，正规方程为θ = (X^T·X)^-1·X^T·y。值得注意的是这里需要对X^T·X求逆矩阵，因此这个方程只有在逆矩阵存在的时候才适用，所以需要在代码中进行判断。

from numpy import *
import matplotlib.pyplot as plt

def loaddataSet(filename):
    numfeat = len(open(filename).readline().split('\t'))-1
    dataMat = [];labelsVec = []
    file = open(filename)
    for line in file.readlines():
        lineArr = []
        curLine = line.strip().split('\t')
        for i in range(numfeat):
            lineArr.append(float(curLine[i]))
        dataMat.append(lineArr)
        labelsVec.append(float(curLine[-1]))
    return dataMat,labelsVec

def standRegression(xArr,yArr):
    xMat = mat(xArr);yMat = mat(yArr)
    xTx = xMat.T * xMat
    if linalg.det(xTx)==0.0:
        print('this matrix is singular,cannot do inverse\n')
        return
    sigma = xTx.I * (xMat.T * yMat.T)
    return sigma

loaddataSet()函数是将文本数据分成特征集和标签。standRegression()是利用正规方程求回归系数sigma，当然在使用正规方程前需要判断其是否有逆矩阵。这种解法很简单，但是它的缺点我也在之前的理论部分说过了。下面我们来看拟合的结果，利用PlotLine()函数来画图。注意这个函数的传入参数xMay和yMat需要为矩阵形式

def PlotLine(xMat,yMat,sigma):
    ax = plt.subplot(111)
    ax.scatter(xMat[:,1].flatten().A[0],yMat.T[:,0].flatten().A[0])
    xCopy = xMat.copy()
    xCopy.sort(0)
    yHat = xCopy*sigma
    ax.plot(xCopy[:,1],yHat)
    plt.show()

线性回归正规方程解法推导线性回归的正规方程解_正规方程

我们得到的拟合直线如图所示，这看起来有点欠拟合的状态。如果用另外一个数据集，得到的拟合直线也是这样的，这也是我们不希望的结果

线性回归正规方程解法推导线性回归的正规方程解_线性回归正规方程解法推导_02

所以，我们后面对该方法进行改进，对回归系数进行局部加权处理。这里的方法叫做局部加权线性回归（LWLR）

2、局部加权线性回归

　　该算法中，我们给待预测点附近的每个店赋予一定的权重，然后在其上基于最小均方差进行普通的线性回归。其正规方程变为 θ=(X^TX)^-1X^TWy。这里的W为权重。LWLR使用“核”来对附近的点赋予更高的权重，最常用的就是高斯核，其权重为

线性回归正规方程解法推导线性回归的正规方程解_线性回归_03

。这样就构建了只含对角元素的权重矩阵，并且点x与x⁽ⁱ⁾越近，权重越大。

def lwlr(testPoint,xArr,yArr,k = 1.0):
    xMat = mat(xArr);yMat = mat(yArr).T
    m = shape(xMat)[0]
    weights = mat(eye(m))
    for i in range(m):
        diffMat = testPoint - xMat[i,:]
        weights[i,i] = exp(diffMat * diffMat.T/(-2.0*k**2))
    xTWx = xMat.T * (weights*xMat)
    if linalg.det(xTWx)==0.0:
        print('this matrix is singular,cannot do inverse\n')
        return
    sigma = xTWx.I * (xMat.T * (weights * yMat))
    return testPoint * sigma

def lwlrTest(testArr,xArr,yArr,k = 1.0):
    m = shape(testArr)[0]
    yHat = zeros(m)
    for i in range(m):
        yHat[i] = lwlr(testArr[i],xArr,yArr,k)
    return yHat

lwlr()函数即为局部加权线性回归法的代码，lwlrTest()函数的作用是使lwlr()函数遍历整个数据集。我们同样需要画出图来看拟合结果

def PlotLine1(testArr,xArr,yArr,k = 1.0):
    xMat = mat(xArr)
    yMat = mat(yArr)
    yHat = lwlrTest(testArr,xArr,yArr,k)
    srtInd = xMat[:,1].argsort(0)
    xsort = xMat[srtInd][:,0,:]
    ax = plt.subplot(111)
    ax.scatter(xMat[:,1].flatten().A[0],yMat.T[:,0].flatten().A[0],s = 2,c = 'red')
    ax.plot(xsort[:,1],yHat[srtInd])
    plt.show()

当 k=1.0 k=0.01 k=0.003

线性回归正规方程解法推导线性回归的正规方程解_线性回归_04