Python机器学习项目化教程（微课视频版）课件 第6章 回归分析.pptx

第6章回归分析

目录CONTENTS6.1回归分析概述6.2线性回归6.3逻辑回归6.4本章小结

6.1回归分析概述学习基础学习认知能力信息素养高回归分析通过研究一个或多个自变量与因变量的关系，建立自变量与因变量的数学模型，从而利用该模型进行预测。根据自变量与因变量的个数，回归分析可分为一元回归分析、多元回归分析、逻辑回归分析等。根据自变量与因变量的函数表达式可分为线性回归和非线性回归分析。线性回归是回归分析中最基本的分析方法，对于非线性回归，可借助数学手段将其转换为线性回归来解决。线性回归的数学公式可表示为：

6.2线性回归6.2.1单变量线性回归假设数据集D={(x1,y1),(x2,y2),(x3,y3),…,(xm,ym)}，它的线性模型就是试图通过该数据集学习一个线性方程以进行预测：为了学习到参数W和b，可用最小二乘逼近来拟合，预测函数h(x)与y之间的差值平方和为：

6.2线性回归梯度下降法分别对W和b求偏导来求解参数W和b：W和b的迭代求解：

6.2单变量线性回归defOptimization(x,y,w,lr,iter):m=len(x)alpha=lrh=0foriinrange(iter):sum0=0.0sum1=0.0forjinrange(m):h=w[0]+w[1]*x[j]sum1+=(h-y[j])*x[j]sum0+=(h-y[j])w[0]-=alpha*sum0/mw[1]-=alpha*sum1/mreturnw

6.2线性回归LinearRegression是sklearn.linear_model子类模块下中的回归模型，主要通过调用LinearRegression函数、fit函数和predict函数来训练和预测模型。LinearRegression(copy_X=True,fit_intercept=True,n_jobs=1,normalize=False)fit(X,y[,n_jobs])返回值分为两个部分：coef_和intercept_，其中coef_存储LinearRegression模型的回归系数。intercept_存储LinearRegression模型的回归截距。：：predict(X)主要是利用训练模型预测，使用训练得到的估计器或模型对输入的X数据集进行预测，返回结果为预测值。数据集X通常划分为训练集和测试集：

6.2线性回归根据表6-1所示的房屋面积和房价之间的对应关系，建立线性回归模型。clf=LinearRegression()x=np.array(x)y=np.array(y)x=x.reshape(len(x),1)y=y.reshape(len(y),1)clf.fit(x,y)pre=clf.predict(x)plt.plot(x,pre)plt.xlabel(面积(平方米))plt.ylabel(房价(万元))plt.show()

6.2线性回归(1)牛顿法求解线性回归问题的原理假设要求f(x)的解，二阶泰勒展开式为：将非线性优化问题min?f(x)近似为二次函数的最优化求解问题：

6.2线性回归牛顿法求解线性回归问题的算法实现

6.2线性回归6.3.1多变量回归分析原理对于多变量中的自变量与因变量的关系可表示为：（1）解析法求解利用最小二乘法最小代价函数：对公式（8-19）中的参数求偏导，则有：

6.2线性回归梯度下降法迭代公式：在数据量特别大的情况下，一般会使用梯度下降求解法。

6.2线性回归【例6-2】根据表6-2所示的运输里程、运输次数与运输总时间的对应关系，利用解析法建立多元线性回归模型。X=xdata[:,:-1]Y=xdata[:,-1]X_one=np.ones(len(X))X0=np.vstack(np.ones((len(X),1)))#10*1X=np.hstack((X0,X))X_T=np.transpose(X)#将X转置X_TX=np.matmul(X_T,X)#计算X_T*XX_TX_inv=np.linalg.inv(X_TX)#计算(X_T*X)^(-1)X_TX_inv_X_T=np.matmul(X_TX_