邱锡鹏nndl-chap2_1-线性回归

Posted 2020-12-17 cxq1126

1.问题描述

有一个函数$f:R ightarrow R$ ，现在不知道函数 $f(x)$的具体形式，给定满足函数关系的一组训练样本$left { (x_{1},y_{1}),...,(x_{N},y_{N}) ight }$，N=300，请使用线性回归模型拟合出函数$y=f(x)$。(可尝试一种或几种不同的基函数，如多项式、高斯或sigmoid基函数）

2.数据集

根据某种关系生成的train和test数据。

3.代码实现

3.1载入数据

1 def load_data(filename):           
2     """载入数据"""
3     xys = []
4     with open(filename, ‘r‘) as f:
5         for line in f:
6             xys.append(map(float, line.strip().split()))
7         xs, ys = zip(*xys)
8         return np.asarray(xs), np.asarray(ys)                   #nsarray将结构数据转换为ndarray类型

3.2不同基函数的实现

对于函数空间中的连续函数都可以表示成一系列基函数的线性组合，就像是在向量空间中每个向量都可以表示成基向量的线性组合一样。

举例：多项式基：{1，t, t²}是实系数二次多项式集合的基，每一个形如a+bt+ct²的二次多项式都可以写成由基函数1、t、t²组成的线性组合。

 1 def identity_basis(x):
 2     ret = np.expand_dims(x, axis=1)                             #shape(N, 1)
 3     return ret
 4 
 5 
 6 def multinomial_basis(x, feature_num=10):
 7     ‘‘‘多项式基函数‘‘‘
 8     x = np.expand_dims(x, axis=1)                
 9     
10     ### START CODE HERE ###
11     feat = [x]
12     for i in range(2, feature_num+1):
13         feat.append(x**i)
14     ret = np.concatenate(feat, axis=1) 
15     ### END CODE HERE ###
16     
17     return ret
18 
19 
20 def gaussian_basis(x, feature_num=10):
21     ‘‘‘高斯基函数‘‘‘
22     ### START CODE HERE ###
23     centers = np.linspace(0, 25, feature_num)
24     width = 1.0 * (centers[1] - centers[0])
25     x = np.expand_dims(x, axis=1)
26     x = np.concatenate([x]*feature_num, axis=1)
27     
28     out = (x-centers)/width
29     ret = np.exp(-0.5 * out ** 2)
30     ### END CODE HERE ###
31 
32     return ret

3.3训练模型

phi是增广矩阵向量的转置，不同的基函数会形成不同的phi，以identity_basic为例，$phi=egin{bmatrix}1. & X^{(1)}\\1. & X^{(2)}\\... & \\ 1. & X^{(300)}end{bmatrix}$

解法1：最小二乘法求解线性回归参数：$w=(XX^{T})^{-1}Xy$       $(XX^{T})^{-1}X$也称为X^T的伪逆矩阵

$y=phi*w$

 1 def main(x_train, y_train):
 2     """
 3     训练模型，并返回从x到y的映射。
 4     """
 5     basis_func = identity_basic
 6     phi0 = np.expand_dims(np.ones_like(x_train), axis=1)      #phi0.shape=(300,1)
 7     phi1 = basis_func(x_train)                                #phi1.shape=(300,1)
 8 
 9     phi = np.concatenate([phi0, phi1], axis=1)                #phi.shape=(300,2) phi是增广特征向量的转置
10     
11     ### START CODE HERE ###
12     #最小二乘法计算w
13     w = np.dot(np.linalg.pinv(phi), y_train)                  #np.linalg.pinv(phi)求phi的伪逆矩阵(phi不是列满秩) w.shape=[2,1]
14     ### END CODE HERE ###
15     
16     def f(x):
17         phi0 = np.expand_dims(np.ones_like(x), axis=1)
18         phi1 = basis_func(x)
19         phi = np.concatenate([phi0, phi1], axis=1)
20         y = np.dot(phi, w)
21         return y
22 
23     return f

解法2：梯度下降求解线性回归参数：$wleftarrow w+alpha X(y-X^{T}w)$

详细推导见https://www.cnblogs.com/cxq1126/p/13051607.html

 1 def main(x_train, y_train):
 2     """
 3     训练模型，并返回从x到y的映射。
 4     """
 5     basis_func = identity_basic
 6     phi0 = np.expand_dims(np.ones_like(x_train), axis=1)      #phi0.shape=(300,1)
 7     phi1 = basis_func(x_train)                                #phi1.shape=(300,1)
 8 
 9     phi = np.concatenate([phi0, phi1], axis=1)                #phi.shape=(300,2)phi是增广特征向量的转置
10 
11     ### START CODE HERE ###
12     #梯度下降法
13     def dJ(theta, phi, y):
14         return phi.T.dot(phi.dot(theta)-y)*2.0/len(phi)
15 
16     def gradient(phi, y, initial_theta, eta=0.001, n_iters=10000):
17         w = initial_theta
18 
19         for i in range(n_iters):
20             gradient = dJ(w, phi, y)                #计算梯度
21             w = w - eta *gradient                   #更新w
22 
23         return w
24 
25     initial_theta = np.zeros(phi.shape[1])
26     w = gradient(phi, y_train, initial_theta)
27     ### END CODE HERE ###
28 
29     def f(x):
30         phi0 = np.expand_dims(np.ones_like(x), axis=1)
31         phi1 = basis_func(x)
32         phi = np.concatenate([phi0, phi1], axis=1)
33         y = np.dot(phi, w)
34         return y
35 
36     return f

3.4评估模型

1 def evaluate(ys, ys_pred):
2     """评估模型"""
3     std = np.sqrt(np.mean(np.abs(ys - ys_pred) ** 2))
4     return std

完整代码如下（使用identity_basis基函数和最小二乘法为例）：

  1 import numpy as np
  2 import matplotlib.pyplot as plt
  3 
  4 def load_data(filename):           
  5     """载入数据"""
  6     xys = []
  7     with open(filename, ‘r‘) as f:
  8         for line in f:
  9             xys.append(map(float, line.strip().split()))
 10         xs, ys = zip(*xys)
 11         return np.asarray(xs), np.asarray(ys)                   #nsarray将结构数据转换为ndarray类型
 12 
 13 
 14 #不同的基函数的实现
 15 def identity_basis(x):
 16     ret = np.expand_dims(x, axis=1)                             #shape(N, 1)
 17     return ret
 18 
 19 
 20 def multinomial_basis(x, feature_num=10):
 21     ‘‘‘多项式基函数‘‘‘
 22     x = np.expand_dims(x, axis=1)                
 23     
 24     ### START CODE HERE ###
 25     feat = [x]
 26     for i in range(2, feature_num+1):
 27         feat.append(x**i)
 28     ret = np.concatenate(feat, axis=1) 
 29     ### END CODE HERE ###
 30     
 31     return ret
 32 
 33 
 34 def gaussian_basis(x, feature_num=10):
 35     ‘‘‘高斯基函数‘‘‘
 36     ### START CODE HERE ###
 37     centers = np.linspace(0, 25, feature_num)
 38     width = 1.0 * (centers[1] - centers[0])
 39     x = np.expand_dims(x, axis=1)
 40     x = np.concatenate([x]*feature_num, axis=1)
 41     
 42     out = (x-centers)/width
 43     ret = np.exp(-0.5 * out ** 2)
 44     ### END CODE HERE ###
 45 
 46     return ret
 47 
 48 
 49 def main(x_train, y_train):
 50     """
 51     训练模型，并返回从x到y的映射。
 52     """
 53     basis_func = identity_basis
 54     phi0 = np.expand_dims(np.ones_like(x_train), axis=1)      #phi0.shape=(300,1)
 55     phi1 = basis_func(x_train)                                #phi1.shape=(300,1)
 56     
 57     phi = np.concatenate([phi0, phi1], axis=1)                #phi.shape=(300,2)phi是增广特征向量的转置
 58     
 59     ### START CODE HERE ###
 60     ‘‘‘使用最小二乘法计算w‘‘‘
 61     w = np.dot(np.linalg.pinv(phi), y_train)                  #np.linalg.pinv(phi)求phi的伪逆矩阵(phi不是列满秩)
 62     ### END CODE HERE ###
 63     
 64     def f(x):
 65         phi0 = np.expand_dims(np.ones_like(x), axis=1)
 66         phi1 = basis_func(x)
 67         phi = np.concatenate([phi0, phi1], axis=1)
 68         y = np.dot(phi, w)
 69         return y
 70 
 71     return f
 72 
 73 
 74 def evaluate(ys, ys_pred):
 75     """评估模型"""
 76     std = np.sqrt(np.mean(np.abs(ys - ys_pred) ** 2))
 77     return std
 78 
 79 
 80 # 程序主入口（建议不要改动以下函数的接口）
 81 if __name__ == ‘__main__‘:
 82     train_file = ‘data/train.txt‘
 83     test_file = ‘data/test.txt‘
 84     # 载入数据
 85     x_train, y_train = load_data(train_file)
 86     x_test, y_test = load_data(test_file)
 87    
 88     print(x_train.shape)                     #(300,)
 89     print(x_test.shape)                      #(200,)
 90 
 91     # 使用线性回归训练模型，返回一个函数f()使得y = f(x)
 92     f = main(x_train, y_train)
 93 
 94     y_train_pred = f(x_train)
 95     std = evaluate(y_train, y_train_pred)
 96     print(‘训练集预测值与真实值的标准差：{:.1f}‘.format(std))
 97     
 98     # 计算预测的输出值
 99     y_test_pred = f(x_test)
100     
101     # 使用测试集评估模型
102     std = evaluate(y_test, y_test_pred)
103     print(‘预测值与真实值的标准差：{:.1f}‘.format(std))
104 
105     #显示结果
106     plt.plot(x_train, y_train, ‘ro‘, markersize=3)
107     # plt.plot(x_test, y_test, ‘k‘)
108     plt.plot(x_test, y_test_pred, ‘k‘)
109     plt.xlabel(‘x‘)
110     plt.ylabel(‘y‘)
111     plt.title(‘Linear Regression‘)
112     plt.legend([‘train‘, ‘test‘, ‘pred‘])
113     plt.show()

4.运行结果

以下三张图是分别调用identity_basis、multinomial_basis、gaussian_basis三种不同基函数（最小二乘法计算的w）运行而来。

训练集预测值与真实值的标准差：2.0                                         训练集预测值与真实值的标准差：1.5 
预测值与真实值的标准差：2.2                                                    预测值与真实值的标准差：1.6     

训练集预测值与真实值的标准差：0.4

预测值与真实值的标准差：0.4 

以下二张图是分别调用identity_basis、gaussian_basis二种不同基函数（梯度下降法计算的w）运行而来。

训练集预测值与真实值的标准差：2.0                                                   训练集预测值与真实值的标准差：1.9
预测值与真实值的标准差：2.2                                                              预测值与真实值的标准差：2.1