【线性回归（2）】多元线性回归（多项式线性回归）

た入场券 2023-03-01 10:11 86阅读 0赞

# 1 概述 #

一元线性回归只能拟合 y = a x + b y=ax+b y=ax\+b，或者说只能拟合直线。  
其实对于多元线性回归来说， x 2 , x 3 . . . x\_2,x\_3... x2,x3...是不同于 x 1 = x x\_1=x x1=x的另一个特征，方程可表示为：  
 y = θ 1 x 1 + θ 2 x 2 + . . . + θ n x n + θ 0 y=\\theta \_\{1\}x\_1+\\theta \_\{2\}x\_2+...+\\theta \_\{n\}x\_n+\\theta \_\{0\} y=θ1x1\+θ2x2\+...\+θnxn\+θ0  
 x 1 , x 2 . . . x\_1,x\_2... x1,x2...是因变量（特征）， θ 1 , θ 2 . . . \\theta \_\{1\},\\theta \_\{2\}... θ1,θ2...是系数， θ 0 \\theta \_\{0\} θ0是截距。  
多元线性回归可以用特征方程去求解。  
![在这里插入图片描述][20200723233854242.png]

### 代码实现： ###

import numpy as np
    
    class LinearRegression():
        def __init__(self):
            self._theta = None
            self.coef = None
            self.interception = None
    
        def fit(self, X_train, y_train):
            X_b = np.hstack([np.ones((X_train.shape[0] ,1)), X_train])
    
            self._theta = np.linalg.inv(X_b.T.dot(X_b)).dot(X_b.T).dot(y_train)
    
            self.coef = self._theta[1:]
    
            self.interception = self._theta[0]
            
            return self
    
        def predict(self, X_test):
            X_b = np.hstack([np.ones((X_test.shape[0] ,1)), X_test])
            return X_b.dot(self._theta)

# 2 多项式线性回归 #

多项式线性回归是多元线性回归中比较特殊的一类，只有一个因变量 x x x，其它的特征是 x x x的几次方，比如 y = a x 2 + b x + c y=ax^2+bx+c y=ax2\+bx\+c或者是更高次数的方程：  
 y = θ 1 x + θ 2 x 2 + . . . + θ n x n + θ 0 y=\\theta \_\{1\}x+\\theta \_\{2\}x^2+...+\\theta \_\{n\}x^n+\\theta \_\{0\} y=θ1x\+θ2x2\+...\+θnxn\+θ0

以 y = a x 2 + b x + c y=ax^2+bx+c y=ax2\+bx\+c为例：

import numpy as np
    from matplotlib import pyplot as plt
    
    x = np.random.uniform(-3, 3, size=100)
    x = np.sort(x)
    X = x.reshape(-1, 1)
    # X.shape (100, 1)
    
    y = 0.5*x**2 + x + 2 + np.random.normal(0, 1, 100)
    # y.shape (100,)
    
    plt.scatter(X, y)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1ZpY2lfXw_size_16_color_FFFFFF_t_70]  
这是一个抛物线，如果再用一元线性回归去拟合，就是下面的样子，可以发现误差时非常大的：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1ZpY2lfXw_size_16_color_FFFFFF_t_70 1]  
一元线性回归只有一个特征 x x x，多项式回归则是添加新的特征（ x 2 , x 3 . . . x^2, x^3... x2,x3...），这里我只需要添加 x x x的平方，来拟合一个抛物线。

## 3.1 使用np.hstack函数 ##

# 使用np.hstack函数，将两个特征在水平方向上拼接
    X2 = np.hstack([X, X**2]) # 拼接
    # X2.shape (100, 2)
    
    '''
    注:  np.vstack() :在竖直方向上堆叠
    	 np.hstack() :在水平方向上拼接
    '''

from sklearn.linear_model import LinearRegression
    lin_reg = LinearRegression()
    lin_reg.fit(X2, y)
    y_predict = lin_reg.predict(X2)
    print(lin_reg.coef_) # 系数 a, b
    # array([1.04078131, 0.54484198])
    print(lin_reg.intercept_) # 截距 c
    # 1.9212545662064286
    
    # 绘制一下图像
    plt.scatter(X, y, color="b")
    plt.plot(x, y_predict, color="r")

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1ZpY2lfXw_size_16_color_FFFFFF_t_70 2]

## 3.2 PolynomialFeatures ##

from sklearn.preprocessing import PolynomialFeatures
    
    # 构造多项式，如果只有一个x，degree=2，则为[1, x, x^2]，其中1代表截距列
    poly = PolynomialFeatures(degree=2)
    
    poly.fit(X)
    
    X3 = poly.transform(X) # 构建X
    X3.shape  # （100，3）

同样的，用LinearRegression()拟合。

lin_reg = LinearRegression()
    lin_reg.fit(X3, y)
    y_predict = lin_reg.predict(X3)

## 3.3 pipeline ##

from sklearn.pipeline import  Pipeline
    from sklearn.preprocessing import StandardScaler
    
    # 三合一
    poly_reg = Pipeline([
    	("ploy", PolynomialFeatures(degree=2)), # 生成多项式特征
    	("std_scaler", StandardScaler()),       # 数据归一化
    	("lin_reg", LinearRegression())         # 进行线性回归
    ])
    
    poly_reg.fit(X, y)
    y_predict = poly_reg.predict(X)
    
    plt.scatter(X, y, color="b")
    plt.plot(x, y_predict, color="r")

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1ZpY2lfXw_size_16_color_FFFFFF_t_70 3]

[20200723233854242.png]: /images/20230209/f3aa82caac764bab8a146bc3806f408d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1ZpY2lfXw_size_16_color_FFFFFF_t_70]: /images/20230209/71cc707f4efb49f0915c323949fd3685.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1ZpY2lfXw_size_16_color_FFFFFF_t_70 1]: /images/20230209/6703adc42a424df2bd61db2ea52fcd28.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1ZpY2lfXw_size_16_color_FFFFFF_t_70 2]: /images/20230209/389f441cd1f64024a925ca5345713ace.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1ZpY2lfXw_size_16_color_FFFFFF_t_70 3]: /images/20230209/14412ce299ef4571bfd00a34a4c1856d.png