机器学习-多元线性回归(Multiple Regression)算法

Posted 2022-12-06 YEN_csdn

学习彭亮《深度学习基础介绍：机器学习》课程

与简单线性回归区别

• 简单线性回归：一个自变量(x)
• 多元线性回归：多个自变量(x)

多元回归模型

y=β0＋β１x1+β2x2+ … +βpxp+ε
其中：β0，β１，β2… βp是参数
ε是误差值

多元回归方程

E(y)=β0＋β１x1+β2x2+ … +βpxp

估计多元回归方程

y_hat=b0＋b１x1+b2x2+ … +bpxp，（估计值），一个样本被用来计算β0，β１，β2… βp的点估计b0, b1, b2,…, bp

估计方法

使sum of squares最小

多元线性回归运算与简单线性回归运算类似，涉及到线性代数和矩阵代数的运算

例子

Time = b0+ b1*Miles + b2 * Deliveries

描述参数含义

• b0: 平均每多运送一英里，运输时间延长b1 小时
• b1: 平均每多一次运输，运输时间延长 b2 小时

关于误差的分布

• 误差ε是一个随机变量，均值为0
• ε的方差对于所有的自变量来说相等
• 所有ε的值是独立的
• ε满足正态分布，并且通过β0＋β１x1+β2x2+ … +βpxp反映y的期望值

---

代码应用1（Xi均为连续变量）

#coding=utf-8
# @Author: yangenneng
# @Time: 2018-01-17 15:42
# @Abstract：多元线性回归(Multiple Regression)算法

from numpy import genfromtxt
import numpy as np
from sklearn import linear_model

datapath=r"D:\\Python\\PyCharm-WorkSpace\\MachineLearningDemo\\MultipleRegression\\data\\data.csv"
#从文本文件中提取数据并转为numpy Array格式
deliveryData = genfromtxt(datapath,delimiter=',')

print "data"
# print deliveryData

# 读取自变量X1(运送英里数),X2(运送次数)
x= deliveryData[1:,1:-1]
# 读取因变量(运送时间)
y = deliveryData[1:,-1]

print "x:",x
print "y:",y

# 调用线性回归模型
lr = linear_model.LinearRegression()
# 装配数据
lr.fit(x, y)

print lr

print("coefficients:")
print lr.coef_

print("intercept:")
print lr.intercept_

#预测
xPredict = [102,6]
yPredict = lr.predict(xPredict)
print("predict:")
print yPredict

---

代码应用2（Xi包含类别变量）

对类别变量进行转码

#coding=utf-8
# @Author: yangenneng
# @Time: 2018-01-17 16:11
# @Abstract：多元线性回归(Multiple Regression)算法  含类别变量

from numpy import genfromtxt
import numpy as np
from sklearn import linear_model

datapath=r"D:\\Python\\PyCharm-WorkSpace\\MachineLearningDemo\\MultipleRegression\\data\\data2.csv"
#从文本文件中提取数据并转为numpy Array格式
deliveryData = genfromtxt(datapath,delimiter=',')

print "data"
# print deliveryData

# 读取自变量X1...x5
x= deliveryData[1:,1:-1]
# 读取因变量
y = deliveryData[1:,-1]

print "x:",x
print "y:",y

# 调用线性回归模型
lr = linear_model.LinearRegression()
# 装配数据
lr.fit(x, y)

print lr

print("coefficients:")
print lr.coef_

print("intercept:")
print lr.intercept_

#预测
xPredict = [90,2,0,0,1]
yPredict = lr.predict(xPredict)
print("predict:")
print yPredict