文章目錄

• 一、數(shù)學(xué)優(yōu)化
• • 損失函數(shù)
  • SoftMax 損失
• 二、回歸分析
• • 1、最小二乘回歸
  • 2、嶺回歸
  • 3、Logistics 回歸
  • 4、Lasso 回歸
• 三、實例
• • 1、Linear Regression
  • 2、Ridge Regression
  • 3、Lasso
  • 4、Logistics Regression

一、數(shù)學(xué)優(yōu)化

損失函數(shù)

損失函數(shù)（Loss function）是用來估量你模型的預(yù)測值與真實值的不一致程度，它是一個非負實值函數(shù)，通常用。損失函數(shù)越小，模型的魯棒性就越好。損失函數(shù)是經(jīng)驗風(fēng)險函數(shù)的核心部分，也是結(jié)構(gòu)風(fēng)險函數(shù)的重要組成部分。模型的風(fēng)險結(jié)構(gòu)包括了風(fēng)險項和正則項，通常如下所示：

其中，前面的均值函數(shù)表示的是經(jīng)驗風(fēng)險函數(shù)，L 代表的是損失函數(shù)，后面的 Φ是正則化項（regularizer）或者叫懲罰項（penalty term），它可以是 L1，也可以是L2，或者其他的正則函數(shù)。整個式子表示的意思是找到使目標函數(shù)最小時的θ值。

常見的損失誤差有五種：

1. 0-1 損失（黑色）

3. 鉸鏈損失（Hinge Loss）：主要用于支持向量機（SVM） 中

4. 互熵損失 （Cross Entropy Loss，Softmax Loss）：用于 Logistic 回歸與 Softmax 分類中（紅色）；

5. 平方損失（Square Loss）：主要是最小二乘法（OLS）中（略）；

6. 指數(shù)損失（Exponential Loss） ：主要用于 Adaboost 算法中（藍色）；

---

SoftMax 損失

邏輯回歸并沒有求似然函數(shù)的極值，而是把極大化當(dāng)做是一種思想，進而推導(dǎo)出它的經(jīng)驗風(fēng)險函數(shù)為：最小化負的似然函數(shù)（即axF(y,f(x))→min?F(y,f(x)))maxF(y,f(x))→min?F(y,f(x))）。從損失函數(shù)的視角來看，它就成了 Softmax 損失函數(shù)了。

log 損失函數(shù)的標準形式：

利用已知的樣本分布，找到最有可能（即最大概率）導(dǎo)致這種分布的參數(shù)值；或者說什么樣的參數(shù)才能使我們觀測到目前這組數(shù)據(jù)的概率最大。

---

二、回歸分析

考慮廣義線性模型：

其中 X 表示樣本集，W 為待擬合的參數(shù)

1、最小二乘回歸

2、嶺回歸

3、Logistics 回歸

4、Lasso 回歸

---

三、實例

1、Linear Regression

import matplotlib.pyplot as plt import numpy as np from sklearn import datasets, linear_model from sklearn.metrics import mean_squared_error, r2_score# Load the diabetes dataset diabetes = datasets.load_diabetes()# Use only one feature diabetes_X = diabetes.data[:, np.newaxis, 2]# Split the data into training/testing sets diabetes_X_train = diabetes_X[:-20] diabetes_X_test = diabetes_X[-20:]# Split the targets into training/testing sets diabetes_y_train = diabetes.target[:-20] diabetes_y_test = diabetes.target[-20:]# Create linear regression object regr = linear_model.LinearRegression()# Train the model using the training sets regr.fit(diabetes_X_train, diabetes_y_train)# Make predictions using the testing set diabetes_y_pred = regr.predict(diabetes_X_test)# The coefficients print('Coefficients: \n', regr.coef_) # The mean squared error print("Mean squared error: %.2f"% mean_squared_error(diabetes_y_test, diabetes_y_pred)) # Explained variance score: 1 is perfect prediction print('Variance score: %.2f' % r2_score(diabetes_y_test, diabetes_y_pred))# Plot outputs plt.scatter(diabetes_X_test, diabetes_y_test, color='black') plt.plot(diabetes_X_test, diabetes_y_pred, color='blue', linewidth=3)plt.xticks(()) plt.yticks(())plt.show()

結(jié)果：

('Coefficients: \n', array([938.23786125])) Mean squared error: 2548.07 Variance score: 0.47

---

2、Ridge Regression

import numpy as np import matplotlib.pyplot as plt from sklearn import linear_model# X is the 10x10 Hilbert matrix X = 1. / (np.arange(1, 11) + np.arange(0, 10)[:, np.newaxis]) y = np.ones(10)# ##################################################################### # Compute pathsn_alphas = 200 alphas = np.logspace(-10, -2, n_alphas)coefs = [] for a in alphas:ridge = linear_model.Ridge(alpha=a, fit_intercept=False)ridge.fit(X, y)coefs.append(ridge.coef_)# #################################################################### # Display resultsax = plt.gca()ax.plot(alphas, coefs) ax.set_xscale('log') ax.set_xlim(ax.get_xlim()[::-1]) # reverse axis plt.xlabel('alpha') plt.ylabel('weights') plt.title('Ridge coefficients as a function of the regularization') plt.axis('tight') plt.show()

結(jié)果：

---

3、Lasso

import numpy as np import matplotlib.pyplot as pltfrom sklearn.metrics import r2_score# ############################################################################# # Generate some sparse data to play with np.random.seed(42)n_samples, n_features = 50, 200 X = np.random.randn(n_samples, n_features) coef = 3 * np.random.randn(n_features) inds = np.arange(n_features) np.random.shuffle(inds) coef[inds[10:]] = 0 # sparsify coef y = np.dot(X, coef)# add noise y += 0.01 * np.random.normal(size=n_samples)# Split data in train set and test set n_samples = X.shape[0] X_train, y_train = X[:n_samples // 2], y[:n_samples // 2] X_test, y_test = X[n_samples // 2:], y[n_samples // 2:]# ############################################################################# # Lasso from sklearn.linear_model import Lassoalpha = 0.1 lasso = Lasso(alpha=alpha)y_pred_lasso = lasso.fit(X_train, y_train).predict(X_test) r2_score_lasso = r2_score(y_test, y_pred_lasso) print(lasso) print("r^2 on test data : %f" % r2_score_lasso)plt.plot(lasso.coef_, color='gold', linewidth=2,label='Lasso coefficients') plt.plot(coef, '--', color='navy', label='original coefficients') plt.legend(loc='best') plt.title("Lasso R^2: %f"% (r2_score_lasso)) plt.show()

結(jié)果：

Lasso(alpha=0.1) r^2 on test data : 0.385982

---

4、Logistics Regression

import numpy as np import matplotlib.pyplot as plt from sklearn.linear_model import LogisticRegression from sklearn import datasets# import some data to play with iris = datasets.load_iris() X = iris.data[:, :2] # we only take the first two features. Y = iris.targetlogreg = LogisticRegression(C=1e5, solver='lbfgs', multi_class='multinomial')# Create an instance of Logistic Regression Classifier and fit the data. logreg.fit(X, Y)# Plot the decision boundary. For that, we will assign a color to each # point in the mesh [x_min, x_max]x[y_min, y_max]. x_min, x_max = X[:, 0].min() - .5, X[:, 0].max() + .5 y_min, y_max = X[:, 1].min() - .5, X[:, 1].max() + .5 h = .02 # step size in the mesh xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h)) Z = logreg.predict(np.c_[xx.ravel(), yy.ravel()])# Put the result into a color plot Z = Z.reshape(xx.shape) plt.figure(1, figsize=(4, 3)) plt.pcolormesh(xx, yy, Z, cmap=plt.cm.Paired)# Plot also the training points plt.scatter(X[:, 0], X[:, 1], c=Y, edgecolors='k', cmap=plt.cm.Paired) plt.xlabel('Sepal length') plt.ylabel('Sepal width')plt.xlim(xx.min(), xx.max()) plt.ylim(yy.min(), yy.max()) plt.xticks(()) plt.yticks(())plt.show()

結(jié)果：

總結(jié)

以上是生活随笔為你收集整理的学习笔记——sklearn监督学习：回归(简单数学知识罗列)的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。