2021大三机器学习课程手杖—多元线性回归问题：多元线性回归β的求法

大家好这里是X，上个星期的机器学习忘记更新知识点了，实属抱歉，这一周算是将上一周的一起汇总了，知识点都是相通的，都是线性回归问题🤞🤞🤞除了知识点还有一些老师在上课的杂七杂八的知识，有点乱，大家不要见外🐾🐾

多元线性回归

我们转化成机器学习过程：

1、明确任务
线性回归任务
2、数据个数
两个—>X,Y
3、评估
用哪一种模型呢？
怎么处理误差？
减少误差的方法?
用其他模型造成的影响会小一些吗？
4、训练
训练的结果如何？

拟合------预测-----评估
train_test_split()用来划分数据块–>4块👇👇👇
如果对这个方法不理解的朋友，可以先去看一下我写的这篇博客：传送门

一般大致过程分析

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=3)

大致解题过程为：

import time
from sklearn.linear_model import LinearRegression

model = LinearRegression()
model.fit(X_train, y_train)

train_score = model.score(X_train, y_train)
cv_score = model.score(X_test, y_test)
print('train_score: {0:0.6f}; cv_score: {1:.6f}'.format(train_score, cv_score))

β \beta β的求法

其实在之前，简单线性回归的时候，就已经讲过了这个参数的求法了，那么在这里又继续来求解这个参数，里有非常简单，之前的是简单的线性回归，是一元的，而现在是多元的，所以在求法上是不一样，现在面对的数据也是不一样的，具体多元和简单线性回归之间的区别到底是什么，并且这个 β \beta β值的含义又有什么很大的改变，大家可以去看看这篇博客，我觉得还不错，写的很详细：传送门2

知道了 β \beta β参数的具体含义之后以下是求解办法：
我简单的将式子表达为：

Y=X β \beta β

这个时候可能大家会认为两边同时除以X，就可以得到 β \beta β，但是并不是这样的，因为直接除以一个矩阵是不可行的，然而除以一个整数等同于乘以一个整数的倒数，我们就可以通过乘以矩阵X的逆矩阵来避免矩阵除法，但是只有方阵可以求逆，但是矩阵X不一定是方阵，所以我们又可以将X乘以其转置来产出一个可以求逆的方阵

所以 β \beta β的求法就为：
β \beta β=(X^TX)^-1X^TY

可能会用到的方法：
np.reshape(x, new_shape)：改变x的形状，得到新的数组。
np.mean(x)：计算x的均值。
np.sum(x)：计算x的和。
np.std(x)：计算x的标准差。
np.dot(x, y)：计算数组x和y的乘积。如果x和y都是矩阵，就是矩阵乘法。
np.transpose(x)：计算数组x的转置。
np.linalg.inv(x)：计算数组x的逆。
np.concatenate((x1, x2, x3, x4), axis=a)：计算将数组x1、x2、x3、x4在维度a上拼接起来。

代码实现：

from numpy import dot,transpose
from numpy.linalg import inv

one = np.ones((X.shape[0], 1))
Xp = np.concatenate((one, X),axis=1)# 这里的axis=1的表示按照列进行合并
p1 = dot(transpose(Xp),Xp)
p2 = inv(p1)
p3 = dot(transpose(Xp), y)
p4 = dot(p2,p3)
print(p4)

可以看到在这里还多了一位成员：one，这是为什么呢？
因为在计算的过程中，我们会漏掉另一个重要的参数： α \alpha α

不相信的话你自己可以先试试，，会发现这个变量直接被秒掉了，所以这个添加多一列就是为了不要让 α \alpha α被秒掉，这样得到的结果也会更加精确

在Numpy中其实也提供了一个最小二乘函数，这样可以让代码非常的简洁：

from numpy.linalg import lstsq
X=[[1,2,3],[1,4,5],[1,6,7],[1,13,20],[1,2,4]]
Y=[[1],[2],[3],[4],[5]]
print(lstsq(X,Y)[0])

利用这个方法可以直接得到结果

后续介绍几种不同的模型，以及对管道的理解~~~