代码语言：javascript复制
统计学习方法
算法（线性回归）
策略（损失函数）
优化（找到最小损失对于的W值）
线性回归
寻找一种能预测的趋势
线性关系
二维：直线关系
三维：特征，目标值，平面当中
线性关系定义
h（w）=w0 w1x1 w2x2 …
其中w，x为矩阵：
w表示权重，b表示偏置顶
损失函数（误差大小：只有一个最小值）
yi为第i个训练样本的真实值
hw（xi）为第i个训练样本特征值组合的预测函数
总损失的定义：(最小二乘法)
预测结果-真实结果的平方
寻找W方法
最小二乘法之梯度下降 （数据十分庞大适合用）
最小二乘法之正规方程 (数据简单适合用 <1W数据时使用 但是不能解决过拟合问题)
过拟合表示：训练集表现良好，测试集表现不好
最小二乘法之梯度下降
理解：沿着损失函数下降的方向找，最后找到山谷的最低点，然后更新W值
学习速率：指定下降的速度
使用：面对训练数据规模十分庞大的任务 适合各种类型的模型
注意：特征值和目标值都需要做标准化处理
API
# 正规方程
from sklearn.linear_model import LinearRegression
# 梯度下降
from sklearn.linear_model import SGDRegressor
案例
from sklearn.linear_model import LinearRegression
from sklearn.linear_model import SGDRegressor
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn import datasets
# 提取数据
df = datasets.load_boston()
# 数据切割
x_train, x_test, y_train, y_test = train_test_split(df.data, df.target, test_size=0.25)
# 下面均方误差 需要用到为标准化之前的数据
mse_test = y_test
# 给特征值标准化
std_x = StandardScaler()
x_train = std_x.fit_transform(x_train)
x_test = std_x.transform(x_test)
# 给目标值标准化
std_y = StandardScaler()
y_train = std_y.fit_transform(y_train.reshape(-1,1))
y_test = std_y.transform(y_test.reshape(-1,1)[0:1])
正规方程
# 正规方程
lr = LinearRegression()
lr.fit(x_train,y_train)
# 预测结果返回的是二维数组 所以不需要转换
lr_p = std_y.inverse_transform(lr.predict(x_test)) # std_y.inverse_transform() 转换数据
print(lr.coef_) # 显示回归系数 即W的值
print(lr_p.round(2).reshape(1,-1)[0:1][0])
正规方程均方误差
# 计算正规方程均方误差
# 第一个参数为真实数据,第二个参数为预测数据
# 需要填入标准化之前的值
mse_lr = mean_squared_error(mse_test,lr_p)
print(mse_lr)
梯度下降
# 梯度下降
sgd = SGDRegressor()
sgd.fit(x_train,y_train)
# std_y.inverse_transform() 转换数据
# reshape(-1,1) 梯度下降预测结果返回的是一维数组 需要转换
sdg_p = std_y.inverse_transform(sgd.predict(x_test).reshape(-1,1))
print(sgd.coef_) # 显示回归系数 即W的值
sdg_p = sdg_p.round(2).reshape(1,-1)[0:1][0]
梯度下降均方误差
# 计算梯度下降均方误差
# 第一个参数为真实数据,第二个参数为预测数据
# 需要填入标准化之前的值
mse_sdg = mean_squared_error(mse_test,sdg_p)
print(mse_sdg)
