用scikit-learn和pandas学习线性回归

时间  2019-11-07
标签 scikit learn pandas 学习 线性 回归 栏目 应用数学 繁體版
原文   原文链接

对于想深刻了解线性回归的童鞋，这里给出一个完整的例子，详细学完这个例子，对用scikit-learn来运行线性回归，评估模型不会有什么问题了。javascript

1、获取数据，定义问题

　　　　没有数据，固然无法研究机器学习啦。:) 这里咱们用UCI大学公开的机器学习数据来跑线性回归。css

　　　　数据的介绍在这： http://archive.ics.uci.edu/ml/datasets/Combined+Cycle+Power+Planthtml

　　　　数据的下载地址在这： http://archive.ics.uci.edu/ml/machine-learning-databases/00294/java

　　　　里面是一个循环发电场的数据，共有9568个样本数据，每一个数据有5列，分别是:AT（温度）, V（压力）, AP（湿度）, RH（压强）, PE（输出电力)。咱们不用纠结于每项具体的意思。python

　　　　咱们的问题是获得一个线性的关系，对应PE是样本输出，而AT/V/AP/RH这4个是样本特征， 机器学习的目的就是获得一个线性回归模型，即:git

　　　　\(PE = \theta_0 + \theta_1*AT + \theta_2*V + \theta_3*AP + \theta_4*RH\)github

　　　　而须要学习的，就是\(\theta_0, \theta_1, \theta_2, \theta_3, \theta_4\)这5个参数。算法

2、整理数据

　　　　下载后的数据能够发现是一个压缩文件，解压后能够看到里面有一个xlsx文件，咱们先用excel把它打开，接着“另存为“”csv格式，保存下来，后面咱们就用这个csv来运行线性回归。浏览器

　　　　打开这个csv能够发现数据已经整理好，没有非法数据，所以不须要作预处理。可是这些数据并无归一化，也就是转化为均值0，方差1的格式。也不用咱们搞，后面scikit-learn在线性回归时会先帮咱们把归一化搞定。微信

　　　　好了，有了这个csv格式的数据，咱们就能够大干一场了。

3、3. 用pandas来读取数据

　　　　咱们先打开ipython notebook,新建一个notebook。固然也能够直接在python的交互式命令行里面输入，不过仍是推荐用notebook。下面的例子和输出我都是在notebook里面跑的。

　　　　先把要导入的库声明了：

import matplotlib.pyplot as plt
%matplotlib inline
import numpy as np
import pandas as pd
from sklearn import datasets, linear_model

　　　　接着咱们就能够用pandas读取数据了：

# read_csv里面的参数是csv在你电脑上的路径，此处csv文件放在notebook运行目录下面的CCPP目录里
data = pd.read_csv('.\CCPP\ccpp.csv')

　　　　测试下读取数据是否成功：

#读取前五行数据，若是是最后五行，用data.tail()
data.head()

　　　　运行结果应该以下，看到下面的数据，说明pandas读取数据成功：

 

 AT V AP RH PE

0

 8.34 40.77 1010.84 90.01 480.48
1 23.64 58.49 1011.40 74.20 445.75
2 29.74 56.90 1007.15 41.91 438.76
3 19.07 49.69 1007.22 76.79 453.09
4 11.80 40.66 1017.13 97.20 464.43

　　　　

4、4. 准备运行算法的数据

　　　　咱们看看数据的维度：

data.shape

　　　　结果是(9568, 5)。说明咱们有9568个样本，每一个样本有5列。

　　　　如今咱们开始准备样本特征X，咱们用AT， V，AP和RH这4个列做为样本特征。

X = data[['AT', 'V', 'AP', 'RH']]
X.head()

　　　　能够看到X的前五条输出以下：

 

 AT V AP RH

0

 8.34 40.77 1010.84 90.01
1 23.64 58.49 1011.40 74.20
2 29.74 56.90 1007.15 41.91
3 19.07 49.69 1007.22 76.79
4 11.80 40.66 1017.13 97.20

 

　　　　接着咱们准备样本输出y， 咱们用PE做为样本输出。

y = data[['PE']]
y.head()

　　　　能够看到y的前五条输出以下：

 

 PE

0

 480.48
1 445.75
2 438.76
3 453.09
4 464.43

5、5. 划分训练集和测试集

　　　　咱们把X和y的样本组合划分红两部分，一部分是训练集，一部分是测试集，代码以下：

from sklearn.cross_validation import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=1)

　　　　查看下训练集和测试集的维度：

print X_train.shape
print y_train.shape
print X_test.shape
print y_test.shape

　　　　结果以下：

(7176, 4)
(7176, 1)
(2392, 4)
(2392, 1)　　　　
　　　能够看到75%的样本数据被做为训练集，25%的样本被做为测试集。
　　

6、运行scikit-learn的线性模型

　　　　终于到了临门一脚了，咱们能够用scikit-learn的线性模型来拟合咱们的问题了。scikit-learn的线性回归算法使用的是最小二乘法来实现的。代码以下：

from sklearn.linear_model import LinearRegression
linreg = LinearRegression()
linreg.fit(X_train, y_train)

　　　　拟合完毕后，咱们看看咱们的须要的模型系数结果：

print linreg.intercept_
print linreg.coef_

　　　　输出以下：

[ 447.06297099]
[[-1.97376045 -0.23229086 0.0693515 -0.15806957]]
　　　　这样咱们就获得了在步骤1里面须要求得的5个值。也就是说PE和其余4个变量的关系以下：

　　　　\(PE = 447.06297099 - 1.97376045*AT - 0.23229086*V + 0.0693515*AP -0.15806957*RH\)　　　　

7、模型评价

　　　　咱们须要评估咱们的模型的好坏程度，对于线性回归来讲，咱们通常用均方差（Mean Squared Error, MSE）或者均方根差(Root Mean Squared Error, RMSE)在测试集上的表现来评价模型的好坏。

　　　　咱们看看咱们的模型的MSE和RMSE，代码以下：

#模型拟合测试集
y_pred = linreg.predict(X_test)
from sklearn import metrics
# 用scikit-learn计算MSE
print "MSE:",metrics.mean_squared_error(y_test, y_pred)
# 用scikit-learn计算RMSE
print "RMSE:",np.sqrt(metrics.mean_squared_error(y_test, y_pred))

　　　　输出以下：

MSE: 20.0804012021
RMSE: 4.48111606657
　　　　获得了MSE或者RMSE，若是咱们用其余方法获得了不一样的系数，须要选择模型时，就用MSE小的时候对应的参数。

　　　　好比此次咱们用AT， V，AP这3个列做为样本特征。不要RH， 输出仍然是PE。代码以下：

X = data[['AT', 'V', 'AP']]
y = data[['PE']]
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=1)
from sklearn.linear_model import LinearRegression
linreg = LinearRegression()
linreg.fit(X_train, y_train)
#模型拟合测试集
y_pred = linreg.predict(X_test)
from sklearn import metrics
# 用scikit-learn计算MSE
print "MSE:",metrics.mean_squared_error(y_test, y_pred)
# 用scikit-learn计算RMSE
print "RMSE:",np.sqrt(metrics.mean_squared_error(y_test, y_pred))

　　　　　输出以下：

MSE: 23.2089074701
RMSE: 4.81756239919
　　　　能够看出，去掉RH后，模型拟合的没有加上RH的好，MSE变大了。

8、交叉验证

　　　　咱们能够经过交叉验证来持续优化模型，代码以下，咱们采用10折交叉验证，即cross_val_predict中的cv参数为10：

X = data[['AT', 'V', 'AP', 'RH']]
y = data[['PE']]
from sklearn.model_selection import cross_val_predict
predicted = cross_val_predict(linreg, X, y, cv=10)
# 用scikit-learn计算MSE
print "MSE:",metrics.mean_squared_error(y, predicted)
# 用scikit-learn计算RMSE
print "RMSE:",np.sqrt(metrics.mean_squared_error(y, predicted))

 　　　　输出以下：

MSE: 20.7955974619
RMSE: 4.56021901469
　　　　能够看出，采用交叉验证模型的MSE比第6节的大，主要缘由是咱们这里是对全部折的样本作测试集对应的预测值的MSE，而第6节仅仅对25%的测试集作了MSE。二者的先决条件并不一样。

 

9、画图观察结果

　　　　这里画图真实值和预测值的变化关系，离中间的直线y=x直接越近的点表明预测损失越低。代码以下：

fig, ax = plt.subplots()
ax.scatter(y, predicted)
ax.plot([y.min(), y.max()], [y.min(), y.max()], 'k--', lw=4)
ax.set_xlabel('Measured')
ax.set_ylabel('Predicted')
plt.show()

　　　　输出的图像以下:

　　　　完整的jupyter-notebook代码参看个人Github。
　　　　以上就是用scikit-learn和pandas学习线性回归的过程，但愿能够对初学者有所帮助。　　

（欢迎转载，转载请注明出处。欢迎沟通交流： 微信：nickchen121）

posted @ 2019-07-19 18:03  十七岁的有德 阅读( ...) 评论( ...) 编辑 收藏
相关文章
相关标签/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公众号
   欢迎关注本站公众号,获取更多信息
联系我们 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程