机器学习造轮子之线性回归(Linear Regression)

机器学习造轮子之线性回归

原文出处：http://www.jianshu.com/p/8d5021339830

最近看了线性回归，复习了一下微积分和线性代数，想着学以致用，能不能自己动手实现一把呢。于是就动手了。
线性回归是比较基础的算法，是后面逻辑回归的基础。主要是通过一条直线来拟合样本。通常来说只有教学意义。

来说说约定的符号，线性回归参数主要由斜率和截距组成，这里用W表示斜率，b表示截距。大写的W表示这是一个向量。一般来说是n_feauter_num数量，就是有多少个特征，W的shape就是(n_feauter_num,1),截距b是一个常数，通过公式Y=W*X+b计算出目标Y值，一般来说，在机器学习中约定原始值为Y，预测值为Y_hat。下面来谈谈具体实现步骤

• 构造数据

• 构造loss function(coss function)

• 分别对W和b计算梯度（也是对cost function分别对W和b求导）

• 计算Y_hat

• 多次迭代计算梯度，直接收敛或者迭代结束

下面给出具体python代码实现，本代码是通用代码，可以任意扩展W，代码中计算loss和梯度的地方采用的向量实现,因此增加W的维度不用修改代码

import matplotlib.pyplot as pltimport numpy as npdef f(X):
    w = np.array([1, 3, 2])
    b = 10
    return np.dot(X, w.T) + bdef cost(X, Y, w, b):
    m = X.shape[0]
    Z = np.dot(X, w) + b
    Y_hat = Z.reshape(m, 1)
    cost = np.sum(np.square(Y_hat - Y)) / (2 * m)    return costdef gradient_descent(X, Y, W, b, learning_rate):
    m = X.shape[0]
    W = W - learning_rate * (1 / m) * X.T.dot((np.dot(X, W) + b - Y))
    b = b - learning_rate * (1 / m) * np.sum(np.dot(X, W) + b - Y)    return W, bdef main():
    # sample number
    m = 5
    # feature number
    n = 3
    total = m * n    # construct data
    X = np.random.rand(total).reshape(m, n)
    Y = f(X).reshape(m, 1)#     iris = datasets.load_iris()#     X, Y = iris.data, iris.target.reshape(150, 1)#     X = X[Y[:, 0] < 2]#     Y = Y[Y[:, 0] < 2]#     m = X.shape[0]#     n = X.shape[1]

    # define parameter
    W = np.ones((n, 1), dtype=float).reshape(n, 1)
    b = 0.0
    # def forward pass++
    learning_rate = 0.1
    iter_num = 10000

    i = 0
    J = []    while i < iter_num:
        i = i + 1
        W, b = gradient_descent(X, Y, W, b, learning_rate)
        j = cost(X, Y, W, b)
        J.append(j)
        print(W, b)
        print(j)

    plt.plot(J)
    plt.show()if __name__ == '__main__':
    main()

可以看到，结果输出很接近预设参数[1,3,2]和10
是不是感觉so easy.

step: 4998 loss: 3.46349593719e-07[[ 1.00286704]
 [ 3.00463459]
 [ 2.00173473]] 9.99528287088step: 4999 loss: 3.45443124835e-07[[ 1.00286329]
 [ 3.00462853]
 [ 2.00173246]] 9.99528904819step: 5000 loss: 3.44539028368e-07