机器学习模型1——线性回归和逻辑回归

前置知识

最大似然估计
最小二乘法
梯度下降算法
高斯分布

主要内容

注意：下面的w和θ指的都是自变量的斜率。

线性回归

利⽤回归⽅程(函数)对⼀个或多个⾃变量(特征值)和因变量(⽬标值)之间关系进⾏建模的⼀种分析⽅式。
目的：试图学的一个线性模型以尽可能准确低预测实值输出标记。

只有⼀个⾃变量的情况称为单变量回归，多于⼀个⾃变量情况的叫做多元回归。
根据已知的样本空间X，可以利用最小二乘法对线性回归方程中的w和b进行估计。
最小二乘法的形式：标函数（损失函数）=∑ （观测值 - 预测值）^2
线性回归的最小二乘法表示形式：
此处加上1/2是为了求导时消掉。
可以用正规方程（MLE+正规方程，最小二乘法的矩阵求解）或者梯度下降算法求解。

最小二乘法（利用MLE）求解

梯度下降求解

防止过拟合

线性回归API

经典的线性回归API

linear_model.LinearRegression(*[, ...]) Ordinary least squares Linear Regression（普通最小二乘线性回归）.

linear_model.Ridge([alpha, fit_intercept, ...]) Linear least squares with l2 regularization.

linear_model.RidgeCV([alphas, ...]) Ridge regression with built-in cross-validation.

linear_model.SGDRegressor([loss, penalty, ...]) Linear model fitted by minimizing a regularized empirical loss with SGD.

以普通最小线性回归为例，介绍sklearn线性回归API的使用。

普通的最小线性回归通过正规方程优化。

class sklearn.linear_model.LinearRegression(*, fit_intercept=True, normalize='deprecated', copy_X=True, n_jobs=None, positive=False)

参数：

• fit_intercept: bool, default=True
  是否计算此模型的截距。如果设置为False，则计算中将不使用截距（即数据预计居中）。
• normalize: bool，default=False
  当fit_intercept设置为False时，将忽略此参数。如果为True，回归系数X将在回归之前通过减去平均值并除以l2范数进行标准化。如果您希望标准化，请在对normalize=False的估计器调用fit之前使用StandardScaler。
  不推荐使用，因为版本1.0:normalize在版本1.0中已被弃用，并将在1.2中删除。
• copy_X: bool，default=True
  如果为True，将复制X；否则，它可能会被覆盖。
• n_jobs: int，default=无
  用于计算的作业数。这只会在出现足够大的问题时提供加速，即如果第一个n_targets>1，第二个X是稀疏的，或者如果正值设置为True。除非在作业库中，否则无表示1。parallel_backend上下文-1表示使用所有处理器。
• positive: bool，default=False
  设置为True时，强制系数为正值。仅密集阵列支持此选项。

属性：

• coef_: array of shape (n_features, ) or (n_targets, n_features)
  线性回归问题的估计系数。如果在拟合期间传递多个目标（y 2D），这是一个2D形状数组（n_targets，n_features），而如果只传递一个目标，这是长度n_feetures的1D数组。
• rank_: int
  矩阵X的秩。仅当X稠密时可用。
• singular_: array of shape (min(X, y),)
  X的奇异值仅在X稠密时可用。
• intercept_: float or array of shape (n_targets,)
  线性模型中的独立项。如果fit_intercept=False，则设置为0.0。
• n_features_in_: int
  装配过程中看到的特征数量。版本0.24中的新增功能。
• feature_names_in_: ndarray of shape (n_features_in_,)
  配合期间看到的特征名称。仅当X具有全部为字符串的要素名称时才定义。

通过SGD优化

sklearn.linear_model.SGDRegressor(loss="squared_loss", fit_intercept=True, learning_rate ='invscaling', eta0=0.01) 
SGDRegressor类实现了随机梯度下降学习，它⽀持不同的loss函数和正则化惩罚项来拟合线性回归模型。 
参数：
loss:损失类型 
- loss=”squared_loss”: 普通最⼩⼆乘法 
fit_intercept：是否计算偏置 
learning_rate : string, optional 
- 学习率填充 
- 'constant': eta = eta0 
- 'optimal': eta = 1.0 / (alpha * (t + t0)) [default] 
- 'invscaling': eta = eta0 / pow(t, power_t) 
    - power_t=0.25:存在⽗类当中 
- 对于⼀个常数值的学习率来说，可以使⽤learning_rate=’constant’ ，并使⽤eta0来指定学习率。 
属性：
coef_：回归系数 
intercept_：偏置

改进的线性回归——岭回归

sklearn.linear_model.Ridge(alpha=1.0, fit_intercept=True,solver="auto", normalize=False) 
具有l2正则化的线性回归 
alpha:正则化⼒度，也叫 λ 
- λ取值：0~1 1~10 正则化⼒度越⼤，权重系数会越⼩ 
solver:会根据数据⾃动选择优化⽅法 
- sag:如果数据集、特征都⽐较⼤，选择该随机梯度下降优化 
normalize:数据是否进⾏标准化 
- normalize=False:可以在fit之前调⽤preprocessing.StandardScaler标准化数据 
Ridge.coef_:回归权重 Ridge.intercept_:回归偏置 
Ridge⽅法相当于SGDRegressor(penalty='l2', loss="squared_loss"),只不过SGDRegressor实现了⼀个普通的随机 梯度下降学习，推荐使⽤Ridge(实现了SAG) 

sklearn.linear_model.RidgeCV(_BaseRidgeCV, RegressorMixin) 
具有l2正则化的线性回归，可以进⾏交叉验证 
coef_:回归系数

逻辑回归----分类——二分类——》单位阶跃函数

如何利用线性模型进行分类任务？
将实值转换成0、1，利用对数几率函数（一种sigmod函数）替代单位阶跃函数求解0，1的值。
Logistic Regression 虽然被称为回归，但其实际上是分类模型，并常用于二分类。
引入sigmod函数：

利用梯度下降法或者牛顿法可以更快的收敛，求极值。

逻辑回归API

线性分类器

linear_model.LogisticRegression([penalty, ...])Logistic Regression (aka logit, MaxEnt) classifier.
linear_model.LogisticRegressionCV(*[, Cs, ...])Logistic Regression CV (aka logit, MaxEnt) classifier.
linear_model.PassiveAggressiveClassifier(*)Passive Aggressive Classifier.
linear_model.Perceptron(*[, penalty, alpha, ...])Linear perceptron classifier.
linear_model.RidgeClassifier([alpha, ...])Classifier using Ridge regression.
linear_model.RidgeClassifierCV([alphas, ...])Ridge classifier with built-in cross-validation.
linear_model.SGDClassifier([loss, penalty, ...])Linear classifiers (SVM, logistic regression, etc.) with SGD training.
linear_model.SGDOneClassSVM([nu, ...])Solves linear One-Class SVM using Stochastic Gradient Descent.

以逻辑回归分类器为例。

 class sklearn.linear_model.LogisticRegression(penalty='l2', *, dual=False, tol=0.0001, C=1.0, fit_intercept=True, intercept_scaling=1, class_weight=None, random_state=None, solver='lbfgs', max_iter=100, multi_class='auto', verbose=0, warm_start=False, n_jobs=None, l1_ratio=None)

Logistic回归（又名logit，MaxEnt）分类器。
在多类情况下，如果“multi_class”选项设置为“ovr”，则训练算法使用一对多（OvR）方案，如果“multi_class’”选项设置成“multinomial”，则使用交叉熵损失。（目前，“多项式”选项仅由“lbfgs”、“sag”、”saga“和”newton cg“解算器支持。）
此类使用“liblinear”库、“newton cg”、“sag”、“saga”和“lbfgs”解算器实现正则化逻辑回归。请注意，默认情况下应用正则化。它可以处理密集和稀疏输入。使用包含64位浮点的C顺序数组或CSR矩阵以获得最佳性能；任何其他输入格式都将被转换（和复制）。
“newton-cg”、“sag”和“lbfgs”解算器仅支持原始公式的L2正则化，或不支持正则化。“liblinear”解算器支持L1和L2正则化，仅对偶公式用于L2惩罚。弹性网正则化仅由“saga”解算器支持。
参数：

• penalty: {‘l1’, ‘l2’, ‘elasticnet’, ‘none’}, default=’l2’
  规定处罚标准：
  ‘none’：不增加处罚；
  “l2”：添加l2惩罚条款，这是默认选项；
  “l1”：添加一个l1处罚条款；
  “弹性网”：同时添加L1和L2处罚条款。
  警告: 某些惩罚可能对某些solver不起作用。
• dual: bool, default=False
  双重或原始配方。对偶公式仅使用liblinear解算器实现二级惩罚。当n_samples>n_features时，首选dual=False。
• tol: float, default=1e-4
  停止标准公差。
• C: float，default=1.0
  正则化强度的倒数；必须是正浮点数。与支持向量机类似，较小的值指定更强的正则化。
• fit_intercept: bool，default=True
  指定是否应将常数（即偏差或截距）添加到决策函数中。
• intercept_scaling: float，default=1
  仅当使用解算器“liblinear”和自身时才有用。fit_intercept设置为True。在这种情况下，x变为[x，self.intercept_scaling]，即将一个常量值等于intercept_scaling的“合成”特征附加到实例向量。截距变为intercept_scaling*synthetic_feature_weight。
  笔记与所有其他特征一样，合成特征权重也要服从l1/l2正则化。为了减少正则化对合成特征权重（从而对截距）的影响，必须增加intercept_scaling。
• class_weight: dict或“balanced”，default=None
  与{class_label:weight}形式的类关联的权重。如果没有给出，所有课程都应该有一个权重。
  “平衡”模式使用y值自动调整权重，权重与输入数据中的类频率成反比，即n_samples/（n_classes*np.bincount（y））。
  请注意，如果指定了sample_weight，则这些权重将与sample_tweight（通过fit方法传递）相乘。
• random_state: int, RandomState instance, default=None
  当solver==“sag”、“saga”或“liblinear”时使用，以洗牌数据。
• solver: {‘newton-cg’, ‘lbfgs’, ‘liblinear’, ‘sag’, ‘saga’}, default=’lbfgs’
  优化问题中使用的算法。默认值为“lbfgs”。要选择解算器，您可能需要考虑以下方面：
  对于小型数据集，“liblinear”是一个不错的选择，而“sag”和“saga”对于大型数据集更快；
  对于多类问题，只有“newton-cg”、“sag”、“saga”和“lbfgs”处理多项式损失；
  “liblinear”仅限于一对多方案。
• max_iter: int, default=100
  解算器收敛所需的最大迭代次数。
• multi-class: {‘auto’，‘ovr’，‘multinomial’}，default=‘auto’
  如果选择的选项是“ovr”，则每个标签都适合一个二进制问题。对于“多项式”，最小损失是整个概率分布的多项式损失拟合，即使数据是二进制的当solver='liblinear’时，多项式’不可用。'如果数据是二进制的，或者如果解算器=“线性”，auto会选择“ovr”，否则会选择“多项式”。
• verbose: int, default=0
  对于liblinear和lbfgs解算器，将verbose设置为任意正数表示详细性。
• warm_start: bool，default=False
  当设置为True时，重复使用前一个调用的解决方案作为初始化，否则，只需擦除前一个解决方案。不适用于liblinear解算器。请参阅术语表。
• n_jobs: int，default=None
  如果multi_class=‘ovr’“，则在类上并行化时使用的CPU内核数。当解算器设置为“liblinear”时，无论是否指定了“multi_class”，都会忽略此参数。除非在作业库中，否则无表示1。parallel_backend上下文-1表示使用所有处理器。有关更多详细信息，请参阅词汇表。
• l1_ratio: float，默认值=无
  弹性网混合参数，0<=l1_比率<=1。仅在惩罚=“弹性网”时使用。设置l1_tratio=0等同于使用pension=‘l2’，而设置l1_ltratio=1等同于使用fension=‘l1’。对于0

属性：

• classes_ndarray of shape (n_classes, )
  分类器已知的类标签列表。
• coef_ndarray of shape (1, n_features) or (n_classes, n_features)
  决策函数中的特征系数。
  当给定的问题是二元时，coef的形状为（1，n特征）。特别是，当multi_class='multinomal’时，coef_对应结果1（True），-coef_对应成果0（False）。
• intercept_ndarray of shape (1,) or (n_classes,)
  截距（也称为偏差）添加到决策函数中。
  如果fit_intercept设置为False，则截距设置为零。当给定的问题是二进制时，intercept的形状为（1，）。特别是，当multi_class='multinomal’时，intercept_对应于结果1（True），-intercept_对应于结果0（False）。
• n_features_in_: int
  装配过程中看到的特征数量。
• feature_names_in_: ndarray of shape (n_features_in_,)
  配合期间看到的特征名称。仅当X具有全部为字符串的要素名称时才定义。
• n_iter_: ndarray of shape (n_classes,) or (1, )
  所有类的实际迭代次数。如果是二进制或多项式，则只返回1个元素。对于liblinear解算器，只给出所有类的最大迭代次数。

方法
主要是训练fit、预测predict、打分score

decision_function(X)Predict confidence scores for samples.
densify()Convert coefficient matrix to dense array format.
fit(X, y[, sample_weight])Fit the model according to the given training data.
get_params([deep])Get parameters for this estimator.
predict(X)Predict class labels for samples in X.
predict_log_proba(X)Predict logarithm of probability estimates.
predict_proba(X)Probability estimates.
score(X, y[, sample_weight])Return the mean accuracy on the given test data and labels.
set_params(**params)Set the parameters of this estimator.
sparsify()Convert coefficient matrix to sparse format.

例子

>>> from sklearn.datasets import load_iris
>>> from sklearn.linear_model import LogisticRegression
>>> X, y = load_iris(return_X_y=True)
>>> clf = LogisticRegression(random_state=0).fit(X, y)
>>> clf.predict(X[:2, :])
array([0, 0])
>>> clf.predict_proba(X[:2, :])
array([[9.8...e-01, 1.8...e-02, 1.4...e-08],
       [9.7...e-01, 2.8...e-02, ...e-08]])
>>> clf.score(X, y)
0.97...

逻辑回归的优缺点

1、优点

（1）适合分类场景
（2）计算代价不高，容易理解实现。
（3）不用事先假设数据分布，这样避免了假设分布不准确所带来的问题。
（4）不仅预测出类别，还可以得到近似概率预测。
（5）目标函数任意阶可导。
2、缺点
（1）容易欠拟合，分类精度不高。
（2）数据特征有缺失或者特征空间很大时表现效果并不好。

Softmax回归

这个还没学。

参考

1.https://www.bilibili.com/video/BV1Ca411M7KA?p=6&vd_source=c35b16b24807a6dbe33f5473659062ac
2.黑马机器学习
3.https://blog.csdn.net/qq_36330643/article/details/77649896