Python 全栈体系【四阶】（七）

第四章 机器学习

六、多项式回归

1. 什么是多项式回归

线性回归适用于数据呈线性分布的回归问题。如果数据样本呈明显非线性分布，线性回归模型就不再适用（下图左），而采用多项式回归可能更好（下图右）。例如：

2. 多项式模型定义

与线性模型相比，多项式模型引入了高次项，自变量的指数大于 1，例如一元二次方程：

$$y=w_0+w_{1}x+w_2{x}^2$$

一元三次方程：

$$y=w_0+w_{1}x+w_2{x}^2+w_3{x}^3$$

推广到一元 n 次方程：

$$y=w_0+w_{1}x+w_2{x}^2+w_3{x}^3+...+w_n{x}^n$$

上述表达式可以简化为：

$$y=\sum _{i=1}^N{w}_i{x}^i$$

3. 与线性回归的关系

多项式回归可以理解为线性回归的扩展，在线性回归模型中添加了新的特征值。例如，要预测一栋房屋的价格，有$x_1,x_2,x_3$三个特征值，分别表示房子长、宽、高，则房屋价格可表示为以下线性模型：

$$y=w_1{x}_1+w_2{x}_2+w_3{x}_3+b$$

对于房屋价格，也可以用房屋的体积，而不直接使用$x_1,x_2,x_3$三个特征：

$$y=w_0+w_{1}x+w_2{x}^2+w_3{x}^3$$

相当于创造了新的特征$x,x$ = 长 _ 宽 _ 高。

以上两个模型可以解释为：

房屋价格是关于长、宽、高三个特征的线性模型

房屋价格是关于体积的多项式模型

因此，可以将一元 n 次多项式变换成 n 元一次线性模型。

4. 多项式回归实现

对于一元 n 次多项式，同样可以利用梯度下降对损失值最小化的方法，寻找最优的模型参数$w_0,w_1,w_2,...,w_n$。可以将一元 n 次多项式，变换成 n 元一次多项式，求线性回归。以下是一个多项式回归的实现。

# 多项式回归示例
import numpy as np
# 线性模型
import sklearn.linear_model as lm
# 模型性能评价模块
import sklearn.metrics as sm
import matplotlib.pyplot as mp
# 管线模块
import sklearn.pipeline as pl
import sklearn.preprocessing as sp

train_x, train_y = [], []   # 输入、输出样本
with open("poly_sample.txt", "rt") as f:
    for line in f.readlines():
        data = [float(substr) for substr in line.split(",")]
        train_x.append(data[:-1])
        train_y.append(data[-1])

train_x = np.array(train_x)  # 二维数据形式的输入矩阵，一行一样本，一列一特征
train_y = np.array(train_y)  # 一维数组形式的输出序列，每个元素对应一个输入样本
# print(train_x)
# print(train_y)

# 将多项式特征扩展预处理，和一个线性回归器串联为一个管线
# 多项式特征扩展：对现有数据进行的一种转换，通过将数据映射到更高维度的空间中
# 进行多项式扩展后，我们就可以认为，模型由以前的直线变成了曲线
# 从而可以更灵活的去拟合数据
# pipeline连接两个模型
model = pl.make_pipeline(sp.PolynomialFeatures(3), # 多项式特征扩展，扩展最高次项为3
                         lm.LinearRegression())

# 用已知输入、输出数据集训练回归器
model.fit(train_x, train_y)
# print(model[1].coef_)
# print(model[1].intercept_)

# 根据训练模型预测输出
pred_train_y = model.predict(train_x)

# 评估指标
err4 = sm.r2_score(train_y, pred_train_y)  # R2得分, 范围[0, 1], 分值越大越好
print(err4)

# 在训练集之外构建测试集
test_x = np.linspace(train_x.min(), train_x.max(), 1000)
pre_test_y = model.predict(test_x.reshape(-1, 1)) # 对新样本进行预测

# 可视化回归曲线
mp.figure('Polynomial Regression', facecolor='lightgray')
mp.title('Polynomial Regression', fontsize=20)
mp.xlabel('x', fontsize=14)
mp.ylabel('y', fontsize=14)
mp.tick_params(labelsize=10)
mp.grid(linestyle=':')
mp.scatter(train_x, train_y, c='dodgerblue', alpha=0.8, s=60, label='Sample')

mp.plot(test_x, pre_test_y, c='orangered', label='Regression')

mp.legend()
mp.show()

打印输出：

0.9224401504764776

执行结果：

5. 过拟合与欠拟合

5.1 什么是欠拟合、过拟合

在上一小节多项式回归示例中，多项特征扩展器 PolynomialFeatures()进行多项式扩展时，指定了最高次数为 3，该参数为多项式扩展的重要参数，如果选取不当，则可能导致不同的拟合效果。下图显示了该参数分别设为 1、20 时模型的拟合图像：

这两种其实都不是好的模型。前者没有学习到数据分布规律，模型拟合程度不够，预测准确度过低，这种现象称为“欠拟合”；后者过于拟合更多样本，以致模型泛化能力（新样本的适应性）变差，这种现象称为“过拟合”。欠拟合模型一般表现为训练集、测试集下准确度都比较低；过拟合模型一般表现为训练集下准确度较高、测试集下准确度较低。 一个好的模型，不论是对于训练数据还是测试数据，都有接近的预测精度，而且精度不能太低。

【思考 1】以下哪种模型较好，哪种模型较差，较差的原因是什么？

训练集 R2 值	测试集 R2 值
0.6	0.5
0.9	0.6
0.9	0.88

【答案】第一个模型欠拟合；第二个模型过拟合；第三个模型适中，为可接受的模型。

【思考 2】以下哪个曲线为欠拟合、过拟合，哪个模型拟合最好？

【答案】第一个模型欠拟合；第三个模型过拟合；第二个模型拟合较好。

5.2 如何处理欠拟合、过拟合

欠拟合：提高模型复杂度，如增加特征、增加模型最高次幂等等；

过拟合：降低模型复杂度，如减少特征、降低模型最高次幂等等。

七、线性回归模型变种

1. 正则化

1.1 什么是正则化

过拟合还有一个常见的原因，就是模型参数值太大，所以可以通过抑制参数的方式来解决过拟合问题。如下图所示，右图产生了一定程度过拟合，可以通过弱化高次项的系数（但不删除）来降低过拟合。

例如，可以通过在${\theta }_3,{\theta }_4$的系数上添加一定的系数，来压制这两个高次项的系数，这种方法称为正则化。但在实际问题中，可能有更多的系数，我们并不知道应该压制哪些系数，所以，可以通过收缩所有系数来避免过拟合。

1.2 正则化的定义

正则化是指，在目标函数后面添加一个范数，来防止过拟合的手段，这个范数定义为：

$$||x|{|}_p=(\sum _{i=1}^N|x{|}^p{)}^{\frac{1}{p}}$$

当 p=1 时，称为 L1 范数（即所有系数绝对值之和）：

$$||x|{|}_1=(\sum _{i=1}^N|x|)$$

当 p=2 是，称为 L2 范数（即所有系数平方之和再开方）：

$$||x|{|}_2=(\sum _{i=1}^N|x{|}^2{)}^{\frac{1}{2}}$$

通过对目标函数添加正则项，整体上压缩了参数的大小，从而防止过拟合。

2. Lasso 回归与岭回归

Lasso 回归和岭回归（Ridge Regression）都是在标准线性回归的基础上修改了损失函数的回归算法。 Lasso 回归全称为 Least absolute shrinkage and selection operator，又译“最小绝对值收敛和选择算子”、”套索算法”，其损失函数如下所示：

$$E=\frac{1}{n}(\sum _{i=1}^N{y}_i?y_i^{\prime }{)}^2+\lambda ||w|{|}_1$$

岭回归损失函数为：

$$E=\frac{1}{n}(\sum _{i=1}^N{y}_i?y_i^{\prime }{)}^2+\lambda ||w|{|}_2$$

从逻辑上说，Lasso 回归和岭回归都可以理解为通过调整损失函数，减小函数的系数，从而避免过于拟合于样本，降低偏差较大的样本的权重和对模型的影响程度。

线性模型变种模型：在损失函数后面 + 正则项

• 损失函数 + L1 范数 -> Lasso 回归
• 损失函数 + L2 范数 -> 岭回归

以下关于 Lasso 回归于岭回归的 sklearn 实现：

# Lasso回归和岭回归示例
import numpy as np
# 线性模型
import sklearn.linear_model as lm
# 模型性能评价模块
import sklearn.metrics as sm
import matplotlib.pyplot as mp

x, y = [], []  # 输入、输出样本
with open("abnormal.txt", "rt") as f:
    for line in f.readlines():
        data = [float(substr) for substr in line.split(",")]
        x.append(data[:-1])
        y.append(data[-1])

x = np.array(x)  # 二维数据形式的输入矩阵，一行一样本，一列一特征
y = np.array(y)  # 一维数组形式的输出序列，每个元素对应一个输入样本
# print(x)
# print(y)

# 创建线性回归器
model = lm.LinearRegression()
# 用已知输入、输出数据集训练回归器
model.fit(x, y)
# 根据训练模型预测输出
pred_y = model.predict(x)

# 创建岭回归器并进行训练
# Ridge: 第一个参数为正则强度，该值越大，异常样本权重就越小
model_2 = lm.Ridge(alpha=200, max_iter=1000)  # 创建对象, max_iter为最大迭代次数
model_2.fit(x, y)  # 训练
pred_y2 = model_2.predict(x)  # 预测

# lasso回归
model_3 = lm.Lasso(alpha=0.5,  # L1范数相乘的系数
                   max_iter=1000)  # 最大迭代次数
model_3.fit(x, y)  # 训练
pred_y3 = model_3.predict(x)  # 预测

# 可视化回归曲线
mp.figure('Linear & Ridge & Lasso', facecolor='lightgray')
mp.title('Linear & Ridge & Lasso', fontsize=20)
mp.xlabel('x', fontsize=14)
mp.ylabel('y', fontsize=14)
mp.tick_params(labelsize=10)
mp.grid(linestyle=':')
mp.scatter(x, y, c='dodgerblue', alpha=0.8, s=60, label='Sample')
sorted_idx = x.T[0].argsort()

mp.plot(x[sorted_idx], pred_y[sorted_idx], c='orangered', label='Linear')  # 线性回归
mp.plot(x[sorted_idx], pred_y2[sorted_idx], c='limegreen', label='Ridge')  # 岭回归
mp.plot(x[sorted_idx], pred_y3[sorted_idx], c='blue', label='Lasso')  # Lasso回归

mp.legend()
mp.show()

以下是执行结果：

八、模型保存与加载

可以使用 Python 提供的功能对模型对象进行保存。使用方法如下：

import pickle
# 保存模型
pickle.dump(模型对象, 文件对象)
# 加载模型
model_obj = pickle.load(文件对象)

保存训练模型应该在训练完成或评估完成之后，完整代码如下：

# 模型保存示例
import numpy as np
import sklearn.linear_model as lm # 线性模型
import pickle

x = np.array([[0.5], [0.6], [0.8], [1.1], [1.4]])  # 输入集
y = np.array([5.0, 5.5, 6.0, 6.8, 7.0])  # 输出集

# 创建线性回归器
model = lm.LinearRegression()
# 用已知输入、输出数据集训练回归器
model.fit(x, y)

print("训练完成.")

# 保存训练后的模型
with open('linear_model.pkl', 'wb') as f:
    pickle.dump(model, f)
    print("保存模型完成.")

执行完成后，可以看到与源码相同目录下多了一个名称为 linear_model.pkl 的文件，这就是保存的训练模型。使用该模型代码：

# 模型加载示例
import numpy as np
import sklearn.linear_model as lm  # 线性模型
import sklearn.metrics as sm  # 模型性能评价模块
import matplotlib.pyplot as mp
import pickle

x = np.array([[0.5], [0.6], [0.8], [1.1], [1.4]])  # 输入集
y = np.array([5.0, 5.5, 6.0, 6.8, 7.0])  # 输出集

# 加载模型
with open('linear_model.pkl', 'rb') as f:
    model = pickle.load(f)
    print("加载模型完成.")

# 根据加载的模型预测输出
pred_y = model.predict(x)

# 可视化回归曲线
mp.figure('Linear Regression', facecolor='lightgray')
mp.title('Linear Regression', fontsize=20)
mp.xlabel('x', fontsize=14)
mp.ylabel('y', fontsize=14)
mp.tick_params(labelsize=10)
mp.grid(linestyle=':')
mp.scatter(x, y, c='blue', alpha=0.8, s=60, label='Sample')

mp.plot(x, pred_y, c='orangered', label='Regression')

mp.legend()
mp.show()

执行结果和训练模型预测结果一样。

九、总结

1. 什么是线性模型

线性模型是自然界最简单的模型之一，反映自变量、因变量之间的等比例增长关系。

2. 什么时候使用线性回归

线性模型只能用于满足线性分布规律的数据中。

3. 如何实现线性回归

给定一组样本，给定初始的 w 和 b，通过梯度下降法求最优的 w 和 b。

十、补充知识

1. R2 系数详细计算

R2 系数详细计算过程如下：

若用$y_i$表示真实的观测值，用$\bar{y}$表示真实观测值的平均值，用$\widehat{y_i}$表示预测值，则有以下评估指标：

回归平方和（SSR）

$$SSR=\sum _{i=1}^n(\widehat{y_i}?\bar{y}{)}^2$$

• 估计值与平均值的误差，反映自变量与因变量之间的相关程度的偏差平方和。

残差平方和（SSE）

$$SSE=\sum _{i=1}^n(y_i?\widehat{y_i}{)}^2$$

• 即估计值与真实值的误差，反映模型拟合程度。

总离差平方和（SST）

$$SST=SSR+SSE=\sum _{i=1}^n(y_i?\bar{y}{)}^2$$

• 即平均值与真实值的误差，反映与数学期望的偏离程度.

R2_score 计算公式

R2_score，即决定系数，反映因变量的全部变异能通过回归关系被自变量解释的比例。计算公式：

$$R^2=1?\frac{SSE}{SST}$$

即：

$$R^2=1?\frac{{\sum }_{i=1}^n(y_i?{\hat{y}}_i)2}{{\sum }_{i=1}n(y_i?\bar{y}{)}^2}$$

进一步化简为：

$$R^2=1?\frac{\sum _i(y_i?y_i{)}^2/n}{\sum _i(y_i?\hat{y}{)}^2/n}=1?\frac{RMSE}{Var}$$

分子就变成了常用的评价指标均方误差 MSE，分母就变成了方差，对于$R^2$可以通俗地理解为使用均值作为误差基准，看预测误差是否大于或者小于均值基准误差。

R2_score = 1，样本中预测值和真实值完全相等，没有任何误差，表示回归分析中自变量对因变量的解释越好。

R2_score = 0，此时分子等于分母，样本的每项预测值都等于均值。

2. 线性回归损失函数求导过程

线性函数定义为：

$$y=w_0+w_0{x}_1$$

采用均方差损失函数：

$$loss=\frac{1}{2}(y?y^{\prime }{)}^2$$

其中，y 为真实值，来自样本；y’为预测值，即线性方程表达式，带入损失函数得：

$$loss=\frac{1}{2}(y?(w_0+w_1{x}_1){)}^2$$

将该式子展开：

$$\begin{gathered} loss=\frac{1}{2}(y^2?2y(w_0+w_1{x}_1)+(w_0+w_1{x}_1{)}^2)= \\ \frac{1}{2}(y^2?2y?w_0?2y?w_1{x}_1+w_0^2+2w_0?w_1{x}_1+w_1^2{x}_1^2) \end{gathered}$$

对$w_0$求导：

$$\begin{gathered} \frac{?loss}{?w_0}=\frac{1}{2}(0?2y?0+2w_0+2w_1{x}_1+0) \\ =\frac{1}{2}(?2y+2w_0+2w_1{x}_1) \\ =\frac{1}{2}?2(?y+(w_0+w_1{x}_1)) \\ =(?y+y^{\prime })=?(y?y^{\prime }) \end{gathered}$$

对$w_1$求导：

$$\begin{gathered} \frac{?loss}{?w_1}=\frac{1}{2}(0?0?2y?x_1+0+2w_0{x}_1+2w_1{x}_1^2) \\ =\frac{1}{2}(?2y{x}_1+2w_0{x}_1+2w_1{x}_1^2) \\ =\frac{1}{2}?2x_1(?y+w_0+w_1{x}_1) \\ =x_1(?y+y^{\prime })=?x_1(y?y^{\prime }) \end{gathered}$$

推导完毕。