人工智能模型 岭回归

人工智能-线性回归1–损失函数、正规方程、梯度下降法人工智能-线性回归2–房价预测、欠拟合过拟合、正则化、模型保存加载

1，线性回归简介

线性回归分类：线性关系，非线性关系

2，线性回归API初步使用

from sklearn.linear_model import LinearRegression
#1，获取数据
x = [[80,86],
[70,86],
[85,86],
[80,66],
[80,76],
[90,86],
[80,82],
[70,76]]
y = [84,83,85,80,90,83,87,79,88]
#2，模型训练
#2.1 实例化一个估计器
estimator = LinearRegression()
#2.2 使用fit进行训练
estimator.fit(x,y)
# 打印回归系数
print('线性回归的系数是：\n',estimator.coef_)
#打印预测结果
print('预测结果是：\n',estimator.predict([[100,80]]))

3,求导

向量求导

4，线性回归的损失和优化

损失函数 ：估计值与真实值的差平方和
如何使损失函数最小：正规方程、梯度下降

4.1 正规方程

推导方式1：

X是一个普通的矩阵，不一定有逆，方阵一定有逆，所以右乘X的转置推导方式2：

4.2 梯度下降法

在单变量的函数中，梯度是函数的微分，代表着函数在某个给定点的切线的斜率。

在多变量的函数中，梯度是一个向量，有方向，梯度的方向指出了函数在给定点的上升最快的方向

a是学习率，即步长。（步长太小–下山太慢；步长太大–容易跳过极小值）

算法选择：

• 小规模数据–正规方程or 岭回归
• 大规模数据 – 梯度下降法（算法复杂度）

5，梯度下降法方法介绍

特征：指样本中输入部分

种类：

• 全梯度下降算法FGD
  更新时使用所有样本进行更新，计算训练集的所有样本误差，对其求和再取平均值作为目标函数。特点：速度慢
• 随机梯度下降算法SGD
  每次只代入计算一个样本目标函数的梯度来更新权重，再取下一个样本重复此过程，直到损失函数值停止下降或者损失函数值小于某个可以容忍的阈值。
  特点：容易遇上噪声样本，从而陷入局部最优解
• 小批量梯度下降算法mini-batch
  每次从训练样本上随机抽取一个小样本集，在抽出的小样本集上采用FG迭代更新权重
• 随机平均梯度下降算法（SAG）

6，线性回归api再介绍

总结：

• 正规方程–sklearn.linear_model.LinearRegression()
• 梯度下降法–sklearn.linear_model.SGDRegressor()

y = kx+b k—回归系数 ，b–偏置