Python数模笔记-Sklearn（4）线性回归

1、什么是线性回归？

　　回归分析（Regression analysis)是一种统计分析方法，研究自变量和因变量之间的定量关系。回归分析不仅包括建立数学模型并估计模型参数，检验数学模型的可信度，也包括利用建立的模型和估计的模型参数进行预测或控制。按照输入输出变量关系的类型，回归分析可以分为线性回归和非线性回归。

　　线性回归（Linear regression）假设样本数据集中的输出变量（y）与输入变量（X）存在线性关系，即输出变量是输入变量的线性组合。线性模型是最简单的模型，也是非常重要和应用广泛的模型。

　　如果模型只有一个输入变量和一个输出变量，称为一元线性模型，可以用一条直线来描述输出与输入的关系，其表达式是一元一次方程：

　　　　y = w0 + w1*x1 + e

　　如果模型包括两个或多个输入变量，则称为多元线性模型，可以用一个平面或超平面来描述输出与输入的关系，其表达式是多元一次方程：

　　　　Y = w0 + w1*x1 + w2*x2+...+ wm*xm + e

　　采用最小二乘法（Least square method）可以通过样本数据来估计回归模型的参数，使模型的输出与样本数据之间的误差平方和最小。

　　回归分析还要进一步分析究竟能不能采用线性回归模型，或者说线性关系的假设是否合理、线性模型是否具有良好的稳定性？这就需要使用统计分析进行显著性检验，检验输入与输出变量之间的线性关系是否显著，用线性模型来描述它们之间的关系是否恰当。

欢迎关注 Youcans 原创系列，每周更新数模笔记

Python数模笔记-PuLP库
 Python数模笔记-StatsModels统计回归
 Python数模笔记-Sklearn
Python数模笔记-NetworkX
Python数模笔记-模拟退火算法

2、SKlearn 中的线性回归方法（sklearn.linear_model）

　　以机器学习的角度来看，回归是广泛应用的预测建模方法，线性回归是机器学习中重要的基础算法。SKlearn 机器学习工具包提供了丰富的线性模型学习方法，最重要和应用最广泛的无疑是普通最小二乘法（Ordinary least squares，OLS），此外多项式回归（Polynomial regression）、逻辑回归（Logistic Regression）和岭回归（Ridge regression）也较为常用，将在本文及后续文中介绍。其它方法相对比较特殊，以下根据官网介绍给出简要说明，普通读者可以略过。

普通最小二乘法（Ordinary least squares）：
以模型预测值与样本观测值的残差平方和最小作为优化目标。
岭回归（Ridge regression）
在普通最小二乘法的基础上增加惩罚因子以减少共线性的影响，以带惩罚项（L2正则化）的残差平方和最小作为优化目标。在指标中同时考虑了较好的学习能力以及较小的惯性能量，以避免过拟合而导致模型泛化能力差。
Lasso 回归（Least absolute shrinkage and selection operator）
在普通最小二乘法的基础上增加绝对值偏差作为惩罚项（L1正则化）以减少共线性的影响，在拟合广义线性模型的同时进行变量筛选和复杂度调整，适用于稀疏系数模型。
多元 Lasso 回归（Multi-task Lasso）
用于估计多元回归稀疏系数的线性模型。注意不是指多线程或多任务，而是指对多个输出变量筛选出相同的特征变量（也即回归系数整列为 0，因此该列对应的输入变量可以被删除）。
弹性网络回归（Elastic-Net）
引入L1和L2范数正则化而构成带有两种惩罚项的模型，相当于岭回归和 Lasso 回归的组合。
Multi-task Elastic-Net
用于估计多元回归稀疏系数线性模型的弹性网络回归方法。
最小角回归算法（Least Angle Regression）
结合前向梯度算法和前向选择算法，在保留前向梯度算法的精确性的同时简化迭代过程。每次选择都加入一个与相关度最高的自变量，最多 m步就可以完成求解。特别适合于特征维度远高于样本数的情况。
LARS Lasso
使用最小角回归算法求解 Lasso模型。
正交匹配追踪法（Orthogonal Matching Pursuit）
用于具有非零系数变量数约束的近似线性模型。在分解的每一步进行正交化处理，选择删除与当前残差最大相关的列，反复迭代达到所需的稀疏程度。
贝叶斯回归（Bayesian Regression）
用贝叶斯推断方法求解的线性回归模型，具有贝叶斯统计模型的基本性质，可以求解权重系数的概率密度函数。可以被用于观测数据较少但要求提供后验分布的问题，例如对物理常数的精确估计；也可以用于变量筛选和降维。
逻辑回归（Logistic Regression）
逻辑回归是一种广义线性模型，研究顺序变量或属性变量作为输出的问题，实际是一种分类方法。通过线性模型加Sigmoid映射函数，将线性模型连续型输出变换为离散值。常用于估计某种事物的可能性，如寻找危险因素、预测发病概率、判断患病概率，是流行病学和医学中最常用的分析方法。
广义线性回归（Generalized Linear Regression）
广义线性回归是线性回归模型的推广，实际上是非线性模型。通过单调可微的联结函数，建立输出变量与输入变量的线性关系，将问题简洁直接地转化为线性模型来处理。
随机梯度下降（Stochastic Gradient Descent）
梯度下降是一种基于搜索的最优化方法，用梯度下降法来求损失函数最小时的参数估计值，适用样本数（和特征数）非常非常大的情况。随机梯度下降法在计算下降方向时，随机选一个数据进行计算，而不是扫描全部训练数据集，加快了迭代速度。
感知机（Perceptron）
感知机是一种适合大规模学习的简单分类算法。训练速度比SGD稍快，并且产生的模型更稀疏。
被动攻击算法（Passive Aggressive Algorithms）
被动攻击算法是一类用于大规模学习的算法。
鲁棒性回归（Robustness regression）
鲁棒性回归的目的是在存在损坏数据的情况下拟合回归模型，如存在异常值或错误的情况。
多项式回归（Polynomial regression）
多项式回归通过构造特征变量的多项式来扩展简单的线性回归模型。例如将特征变量组合成二阶多项式，可以将抛物面拟合到数据中，从而具有更广泛的灵活性和适应性。

3、SKlearn 中的最小二乘线性回归方法

3.1 最小二乘线性回归类（LinearRegression ）

　　SKlearn 包中的 LinearRegression() 方法，不宜从字面理解为线性回归方法， LinearRegression() 仅指基于普通最小二乘法（OLS）的线性回归方法。

　　sklearn.linear_model.LinearRegression 类是 OLS 线性回归算法的具体实现，官网介绍详见：https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html#sklearn.linear_model.LinearRegression

sklearn.linear_model.LinearRegression()

class sklearn.linear_model.LinearRegression(*, fit_intercept=True, normalize=False, copy_X=True, n_jobs=None, positive=False)

　　LinearRegression() 类的参数不多，通常几乎不需要设置。

fit_intercept：bool, default=True　　是否计算截距。默认值 True，计算截距。
normalize：bool, default=False　　是否进行数据标准化，该参数仅在 fit_intercept = True 时有效。
n_jobs：int, default=None　　计算时设置的任务数，为 n>1和大规模问题提供加速。默认值任务数为 1。

　　LinearRegression() 类的主要属性：

coef_： 　　线性系数，即模型参数 w1... 的估计值
intercept_：　　截距，即模型参数 w0 的估计值

　　LinearRegression() 类的主要方法：

fit(X,y[,sample_weight])　　用样本集（X, y）训练模型。sample_weight 为每个样本设权重，默认None。
get_params([deep])　　获取模型参数。注意不是指模型回归系数，而是指fit_intercept,normalize等参数。
predict(X)　　用训练的模型预测数据集 X 的输出。即可以对训练样本给出模型输出结果，也可以对测试样本给出预测结果。
score(X,y[,sample_weight])　　R2 判定系数，是常用的模型评价指标。

3.2 一元线性回归

LinearRegression 使用例程：

# skl_LinearR_v1a.py
# Demo of linear regression by scikit-learn
# Copyright 2021 YouCans, XUPT
# Crated：2021-05-12
#  -*- coding: utf-8 -*-

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
from sklearn.metrics import r2_score, mean_squared_error, mean_absolute_error, median_absolute_error

# 生成测试数据:
nSample = 100
x = np.linspace(0, 10, nSample)  # 起点为 0，终点为 10，均分为 nSample个点
e = np.random.normal(size=len(x))  # 正态分布随机数
y = 2.36 + 1.58 * x + e  # y = b0 + b1*x1

# 按照模型要求进行数据转换：输入是 array类型的 n*m 矩阵，输出是 array类型的 n*1 数组
x = x.reshape(-1, 1)  # 输入转换为 n行 1列（多元回归则为多列）的二维数组
y = y.reshape(-1, 1)  # 输出转换为 n行1列的二维数组
# print(x.shape,y.shape)

# 一元线性回归：最小二乘法(OLS)
modelRegL = LinearRegression()  # 创建线性回归模型
modelRegL.fit(x, y)  # 模型训练：数据拟合
yFit = modelRegL.predict(x)  # 用回归模型来预测输出

# 输出回归结果 XUPT
print('回归截距: w0={}'.format(modelRegL.intercept_))  # w0: 截距
print('回归系数: w1={}'.format(modelRegL.coef_))  # w1,..wm: 回归系数

# 回归模型的评价指标 YouCans
print('R2 确定系数：{:.4f}'.format(modelRegL.score(x, y)))  # R2 判定系数
print('均方误差：{:.4f}'.format(mean_squared_error(y, yFit)))  # MSE 均方误差
print('平均绝对值误差：{:.4f}'.format(mean_absolute_error(y, yFit)))  # MAE 平均绝对误差
print('中位绝对值误差：{:.4f}'.format(median_absolute_error(y, yFit)))  # 中值绝对误差

# 绘图：原始数据点，拟合曲线
fig, ax = plt.subplots(figsize=(8, 6))
ax.plot(x, y, 'o', label="data")  # 原始数据
ax.plot(x, yFit, 'r-', label="OLS")  # 拟合数据

ax.legend(loc='best')  # 显示图例
plt.title('Linear regression by SKlearn (Youcans)')
plt.show()  # YouCans, XUPT
#=== 关注 Youcans，分享更多原创系列 https://www.cnblogs.com/youcans/ ===

程序说明：

线性回归模型 LinearRegression() 类在模型训练 modelRegL.fit(x, y) 时，要求输入 x 和输出 y 数据格式为 array类型的 n*m 矩阵。一元回归模型 m=1，也要转换为 n*1 的 array类型：

x = x.reshape(-1, 1)  # 输入转换为 n行 1列（多元回归则为多列）的二维数组
y = y.reshape(-1, 1)  # 输出转换为 n行1列的二维数组

LinearRegression() 类提供的模型评价指标只有 R2指标，但在 sklearn.metrics 包中提供了均方误差、平均绝对值误差和中位绝对值误差，例程中给出了其使用方法。

程序运行结果：

回归截距: w0=[2.45152704]
回归系数: w1=[[1.57077698]]
R2 确定系数：0.9562
均方误差：0.9620
平均绝对值误差：0.7905
中位绝对值误差：0.6732

3.2 多元线性回归

　　用 LinearRegression() 解决多元线性回归问题与一元线性回归的步骤、参数和属性都是相同的，只是要注意样本数据的格式要求：输入数据 X 是 array 类型的 n*m 二维数组，输出数据 y 是 array类型的 n*1 数组（也可以用 n*k 表示多变量输出）。
　　
问题描述：
　　数据文件 toothpaste.csv 中收集了 30个月牙膏销售量、价格、广告费用及同期的市场均价。
　　（1）分析牙膏销售量与价格、广告投入之间的关系，建立数学模型；
　　（2）估计所建立数学模型的参数，进行统计分析；
　　（3）利用拟合模型，预测在不同价格和广告费用下的牙膏销售量。
　　需要说明的是，本文例程并不是问题最佳的求解方法和结果，只是使用该问题及数据示范读取数据文件和数据处理的方法。