ML |线性回归中的正态方程
正态方程是一种具有最小二乘成本函数的线性回归分析方法。不用梯度下降，我们可以直接求出θ的值。当使用具有小要素的数据集时，遵循这种方法是一种有效且省时的选择。 正态方程如下:
在上式中， θ: 假设参数对其定义最好。 X: 输入每个实例的特征值。 Y: 每个实例的输出值。
方程式背后的数学–
假设函数
其中， n: 数据集中要素的数量。 x 0 : 1(用于向量乘法) 请注意，这是θ和 x 值之间的点积。所以为了方便求解，我们可以写成:
线性回归的动机是最小化成本函数 :
J(\Theta) = \frac{1}{2m} \sum_{i = 1}^{m} \frac{1}{2} [h_{\Theta}(x^{(i)}) – y^{(i)}]^{2}
其中， xI:Iih训练示例的输入值。 m: 训练实例数量 n: 数据集特征数量 yI:I第个实例 的预期结果让我们用向量形式来表示成本函数。
我们这里忽略了 1/2m，因为这不会对工作产生任何影响。它用于计算梯度下降时的数学便利。但这里不再需要了。
xIT3】j:Iih训练示例中 j ih 特征的值。 这可以进一步简化为
但是每个残值都是平方的。我们不能简单地把上面的表达式平方。因为向量/矩阵的平方不等于其每个值的平方。所以要得到平方值，把向量/矩阵乘以它的转置。所以，最终导出的方程是
因此，成本函数为
所以，现在用导数 得到θ的值
所以，这是最终导出的正规方程，θ给出最小成本值。
示例:
Python 3
# This code may not run on GFG IDE
# as required modules not found.
# import required modules
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_regression
# Create data set.
x,y=make_regression(n_samples=100,n_features=1,n_informative=1,noise = 10,random_state=10)
# Plot the generated data set.
plt.scatter(x,y,s=30,marker='o')
plt.xlabel("Feature_1 --->")
plt.ylabel("Target_Variable --->")
plt.title('Simple Linear Regression')
plt.show()
# Convert target variable array from 1d to 2d.
y=y.reshape(100,1)
让我们实现正常方程:
Python 3
# code
# Adding x0=1 to each instance
x_new=np.array([np.ones(len(x)),x.flatten()]).T
# Using Normal Equation.
theta_best_values=np.linalg.inv(x_new.T.dot(x_new)).dot(x_new.T).dot(y)
# Display best values obtained.
print(theta_best_values)
[[ 0.52804151]
[30.65896337]]
尝试预测新数据实例:
Python 3
# code
# sample data instance.
x_sample=np.array([[-2],[4]])
# Adding x0=1 to each instance.
x_sample_new=np.array([np.ones(len(x_sample)),x_sample.flatten()]).T
# Display the sample.
print("Before adding x0:\n",x_sample)
print("After adding x0:\n",x_sample_new)
Before adding x0:
[[-2]
[ 4]]
After adding x0:
[[ 1\. -2.]
[ 1\. 4.]]
Python 3
# code
# predict the values for given data instance.
predict_value=x_sample_new.dot(theta_best_values)
print(predict_value)
[[-60.78988524]
[123.16389501]]
绘制输出:
Python 3
# code
# Plot the output.
plt.scatter(x,y,s=30,marker='o')
plt.plot(x_sample,predict_value,c='red')
plt.plot()
plt.xlabel("Feature_1 --->")
plt.ylabel("Target_Variable --->")
plt.title('Simple Linear Regression')
plt.show()
使用 sklearn LinearRegression 类验证上述内容:
Python 3
# code
# Verification.
from sklearn.linear_model import LinearRegression
lr=LinearRegression() # Object.
lr.fit(x,y) # fit method.
# Print obtained theta values.
print("Best value of theta:",lr.intercept_,lr.coef_,sep='\n')
#predict.
print("predicted value:",lr.predict(x_sample),sep='\n')
Best value of theta:
[0.52804151]
[[30.65896337]]
predicted value:
[[-60.78988524]
[123.16389501]]
版权属于：月萌API www.moonapi.com，转载请注明出处
