电商网站模板下载网站如何被搜索引擎收录

机器学习的起点：线性回归Linear Regression

作为机器学习的起点，线性回归是理解算法逻辑的绝佳入口。我们从定义、评估方法、应用场景到局限性，用生活化的案例和数学直觉为你构建知识框架。

回归算法

---

一、线性回归的定义与核心原理

定义：线性回归是一种通过线性方程（如Y = AX + B）建立自变量（X）与因变量（Y）关系的统计方法。

• 数学表达：简单线性回归的公式为

  $$y={\beta }_0+{\beta }_{1}x+ϵ$$
  其中：

  • ${\beta }_0$是截距（当X=0时Y的起点）
  • ${\beta }_1$是斜率（X每增加1单位，Y的平均变化量）
  • $ϵ$是误差项（代表无法用线性关系解释的随机波动）

直观理解：想象在散点图上找一条“最佳直线”，让所有数据点到这条直线的垂直距离之和最小。这条直线代表了变量间的整体趋势，例如身高与体重的关系、学习时间与考试成绩的关联等。

---

二、如何评估模型训练效果？

线性回归的目标是找到最优的${\beta }_0$和${\beta }_1$，使得预测值与真实值的误差最小

常用的评估指标是平方残差和（Residual Sum of Squares, RSS）或均方误差（MSE）：
$$\text{RSS}=\sum _{i=1}^n(y_i-{\hat{y}}_i{)}^2$$

$$\text{MSE}=\frac{1}{n}\sum _{i=1}^n(y_i-{\hat{y}}_i{)}^2$$

为什么用平方？

1. 避免正负误差相互抵消（如+3和-3的总误差为0，但平方和为18）。
2. 对大误差更敏感，模型会更努力减少明显偏离的点（但这也意味着对异常值敏感）。

延伸指标：

• R²（决定系数）：衡量模型解释数据变动的能力，范围0~1，越接近1拟合越好。
  例如，若R²=0.8，说明模型能解释80%的Y值变化。

---

三、线性回归的应用场景

线性回归的预测能力在多个领域大放异彩，以下是典型应用案例：

1. 排队问题

   • 场景：预测新加入者的排队位置。
   • 逻辑：假设排队时间与人数呈线性关系，若当前排队人数为X，每人的平均处理时间为斜率β₁，则可预测新人的等待时间Y。

2. 身高与体重的关系

   • 场景：已知某人身高（X），预测其体重（Y）。
   • 模型：通过大量样本数据拟合Y = β₀ + β₁X，例如β₁=0.7表示身高每增加1cm，体重平均增加0.7kg。

3. 人口与GDP预测

   • 场景：分析某地区人口（X）与经济规模（Y）的关系。
   • 扩展：若数据包含多个变量（如教育水平、资源储量），可升级为多元线性回归：
     $Y={\beta }_0+{\beta }_1{X}_1+{\beta }_2{X}_2+\cdots +{\beta }_n{X}_n$
     例如，GDP可能同时与人口、工业产值相关。

---

四、线性回归的局限性

尽管简单高效，线性回归并非万能，其核心问题包括：

1. 无法捕捉非线性关系

   • 例子：若数据呈现抛物线分布（如温度与冰淇淋销量的关系），强行用直线拟合会导致预测偏差。
   • 解决方案：引入多项式回归（如$Y={\beta }_0+{\beta }_{1}X+{\beta }_2{X}^2$）或使用决策树等非线性模型。

2. 对异常值敏感

   • 例子：若数据中存在极端值（如身高2.5米的人），会显著拉偏拟合直线的斜率。
   • 解决方案：清洗数据或使用鲁棒回归（如Huber损失函数）。

3. 多重共线性问题

   • 场景：在多元回归中，若自变量高度相关（如“房间数”和“房屋面积”），会导致模型参数不稳定。
   • 解决方案：剔除冗余变量或使用正则化技术（如岭回归）。

五、案例

通过 scikit-learn 练习线性回归是一个绝佳的实践方式！

以下是分步指南，涵盖数据生成、模型训练、评估、可视化以及应对局限性的解决方案：

1. 环境准备

确保安装以下库：

pip install numpy matplotlib scikit-learn

2. 基础线性回归（单变量）

生成模拟数据

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score# 生成数据：y = 2x + 5 + 噪声
np.random.seed(42)
X = np.random.rand(100, 1) * 10  # 生成0~10之间的100个随机数
y = 2 * X + 5 + np.random.randn(100, 1) * 2  # 添加高斯噪声# 可视化数据
plt.scatter(X, y, alpha=0.7, label='真实数据')
plt.xlabel("X (自变量)")
plt.ylabel("y (因变量)")
plt.title("线性回归示例数据")
plt.show()

训练模型并预测

# 创建模型并训练
model = LinearRegression()
model.fit(X, y)# 查看参数
print(f"截距 (β0): {model.intercept_[0]:.2f}")
print(f"斜率 (β1): {model.coef_[0][0]:.2f}")# 预测新数据
X_new = np.array([[2.5], [7.0]])  # 预测X=2.5和X=7.0时的y值
y_pred = model.predict(X_new)
print(f"预测值: {y_pred.flatten()}")

评估与可视化

# 计算评估指标
y_pred_all = model.predict(X)
mse = mean_squared_error(y, y_pred_all)
r2 = r2_score(y, y_pred_all)
print(f"MSE: {mse:.2f}, R²: {r2:.2f}")# 可视化拟合直线
plt.scatter(X, y, alpha=0.7, label='真实数据')
plt.plot(X, y_pred_all, color='red', label='拟合直线')
plt.xlabel("X")
plt.ylabel("y")
plt.legend()
plt.title("线性回归拟合结果")
plt.show()

输出结果：

线性回归示例数据：

线性回归拟合结果

控制台输出结果

截距 (β0): 5.43
斜率 (β1): 1.91
预测值: [10.2003057 18.7865098]
MSE: 3.23, R²: 0.91

3. 多元线性回归（多变量）

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score
# 支持中文
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号from sklearn.datasets import fetch_california_housing
from sklearn.model_selection import train_test_split# 加载数据集（这里以加州房价为例）
data = fetch_california_housing()
X = data.data  # 多个特征（如收入、房龄等）
y = data.target# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 训练模型
model = LinearRegression()
model.fit(X_train, y_train)# 评估测试集
y_pred = model.predict(X_test)
print(f"MSE: {mean_squared_error(y_test, y_pred):.2f}")
print(f"R²: {r2_score(y_test, y_pred):.2f}")# 查看特征重要性（系数）
feature_names = data.feature_names
for name, coef in zip(feature_names, model.coef_):print(f"{name}: {coef:.2f}")

4. 应对线性回归的局限性

问题1：非线性关系 → 多项式回归

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score
# 支持中文
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号from sklearn.preprocessing import PolynomialFeatures# 生成非线性数据（抛物线）
np.random.seed(42)
X = np.linspace(-3, 3, 100).reshape(-1, 1)
y = 0.5 * X**2 + X + 2 + np.random.randn(100, 1) * 0.5# 将特征转换为多项式（如X²）
poly = PolynomialFeatures(degree=2, include_bias=False)
X_poly = poly.fit_transform(X)# 训练多项式回归模型
model = LinearRegression()
model.fit(X_poly, y)# 预测并可视化
X_test = np.linspace(-3, 3, 100).reshape(-1, 1)
X_test_poly = poly.transform(X_test)
y_pred = model.predict(X_test_poly)plt.scatter(X, y, alpha=0.7, label='真实数据')
plt.plot(X_test, y_pred, color='red', label='多项式回归')
plt.legend()
plt.show()

输出结果：

问题2：异常值 → 鲁棒回归（Huber损失）

# 异常值 → 鲁棒回归（Huber损失）
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score
# 支持中文
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号from sklearn.linear_model import HuberRegressor# 生成带异常值的数据
X = np.random.rand(50, 1) * 10
y = 3 * X + 5 + np.random.randn(50, 1) * 2
y[45:] += 30  # 添加异常值# 对比普通线性回归和Huber回归
model_linear = LinearRegression()
model_linear.fit(X, y)model_huber = HuberRegressor()
model_huber.fit(X, y.ravel())  # HuberRegressor需要y为一维数组# 可视化对比
X_test = np.linspace(0, 10, 100).reshape(-1, 1)
y_pred_linear = model_linear.predict(X_test)
y_pred_huber = model_huber.predict(X_test)plt.scatter(X, y, alpha=0.7, label='数据（含异常值）')
plt.plot(X_test, y_pred_linear, color='red', label='普通线性回归')
plt.plot(X_test, y_pred_huber, color='green', label='Huber回归')
plt.legend()
plt.show()

输出结果：

问题3：多重共线性 → 岭回归

from sklearn.linear_model import Ridge
from sklearn.preprocessing import StandardScaler# 生成高共线性数据（两个强相关特征）
np.random.seed(42)
X1 = np.random.rand(100, 1) * 10
X2 = X1 + np.random.randn(100, 1) * 0.1  # X2与X1高度相关
X = np.hstack([X1, X2])
y = 2 * X1 + 3 * X2 + 5 + np.random.randn(100, 1) * 2# 标准化数据（岭回归对尺度敏感）
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)# 对比普通线性回归和岭回归
model_linear = LinearRegression()
model_linear.fit(X_scaled, y)model_ridge = Ridge(alpha=10)  # alpha是正则化强度
model_ridge.fit(X_scaled, y)print("普通线性回归系数:", model_linear.coef_)
print("岭回归系数:", model_ridge.coef_)

输出结果：

参考文献视频：点击跳转