大家好，我是锋哥。最近连载更新《Scikit-learn Python机器学习》技术专题。 本课程主要讲解基于Scikit-learn的Python机器学习知识，包括机器学习概述，特征工程(数据集，特征抽取，特征预处理，特征降维等)，分类算法(K-临近算法，朴素贝叶斯算法，决策树等)，回归与聚类算法(线性回归，欠拟合，逻辑回归与二分类，K-means算法)等。 同时也配套视频教程《Scikit-learn Python机器学习 视频教程》
线性回归（Linear Regression）是一种基础的回归分析方法，它通过构建输入特征和输出结果之间的线性关系，来预测输出值。其核心思想是通过找到最合适的“拟合线”来预测未知数据的结果。
1，线性回归模型的基本原理
2，损失函数
在回归问题中，我们常用 均方误差（MSE） 作为损失函数，目标是最小化这个损失函数。均方误差计算公式为：
3，模型的求解
线性回归的目标就是通过最小化损失函数来找到最合适的 β 参数。我们可以通过 梯度下降法 或者 正规方程法 来求解。
4，梯度下降法
梯度下降法（Gradient Descent）是机器学习和深度学习中常用的一种优化算法。它的核心思想非常直观：我们通过不断“走下坡路”来找到一个最低点（即最优解）。
想象一下：
假设你站在一个山坡上，你的目标是找到山谷的最低点。你无法看到整个山谷的情况，只能看到你当前所在位置的周围环境。为了找到最低点，你需要根据当前的位置判断哪个方向最陡峭，然后朝着这个方向走一小步。每走一步，你就能让自己离最低点更近一些。
具体来说，梯度下降法是这样的：
- 山坡的斜率：在数学中，我们可以通过梯度来表示当前点的“坡度”或“斜率”。如果你在山坡的某个点站着，梯度就告诉你最陡的下坡方向。换句话说，梯度是一个向量，它指向函数下降最快的方向。
- 向梯度的反方向走：为了找到最低点，我们不是沿着梯度的方向走，而是沿着梯度的反方向走。因为梯度告诉我们的是上坡的方向，我们反着走就是下坡。
- 步长（学习率） ：每走一步时，我们需要决定步伐的大小，这就是所谓的学习率。如果步伐太大，可能会错过最低点；如果步伐太小，找到最低点的过程就会非常缓慢。
过程：
- 初始化：首先从一个随机点（位置）开始。这个点可以是任何地方，就像你站在山坡的某个随机位置。
- 计算梯度：在当前位置，计算当前点的梯度（坡度）。梯度告诉你最陡的上坡方向。
- 更新位置：沿着梯度的反方向走，更新你的位置。更新的幅度是梯度的反方向乘以步长（学习率）。
- 重复：不断重复上述步骤，直到你到达一个相对平坦的区域，或者你已经足够接近最低点。
数学公式
梯度下降的更新规则通常表示为：
例子：线性回归的梯度下降
假设我们要通过梯度下降法求解线性回归模型的参数（例如直线的斜率和截距）。我们可以使用梯度下降来最小化均方误差（MSE）损失函数。每次通过计算梯度，调整参数，最终找到一个合适的拟合直线。
关键要点：
- 步长（学习率） ：如果学习率设置得太大，可能会“跳过”最低点；如果设置得太小，算法收敛得非常慢。
- 局部最小值和全局最小值：梯度下降法有可能会停在局部最低点，但理想情况下我们希望找到全局最低点。为此，我们可以使用一些技巧，如随机初始化或动量法，来避免陷入局部最小值。
类比理解：
- 攀登山峰：梯度下降就像你在山中探险，通过触摸周围的环境（计算梯度）来确定下一步走向。
- 在迷雾中找路：如果你不能看到全貌，你就只能一步一步、逐渐判断方向，直到找到目的地。
5，API介绍
线性回归-正规方程使用 LinearRegression
LinearRegression 类的参数不多，但它们控制着模型如何拟合数据和如何计算。
sklearn.linear_model.LinearRegression(
*,
fit_intercept=True,
copy_X=True,
n_jobs=None,
positive=False
)
参数详解：
1. fit_intercept : bool, default=True
-
功能：决定是否计算模型的截距（也叫偏置项，即 ）。
-
详解：
fit_intercept=True(默认)：模型会计算截距项 。公式为 。这是最常见的情况，除非你确信你的数据已经经过处理，其回归线理所当然地应该通过原点 (0,0)。fit_intercept=False：模型会强制截距为 0。公式变为 。这通常只在你有很强的先验知识（即当所有特征都为 0 时，目标值必须为 0）时使用。
-
如何选择：
- 几乎总是保持默认值 True。
- 只有在非常特殊的情况下才设置为
False（例如，物理定律要求没有偏移）。
2. copy_X : bool, default=True
-
功能：决定是否复制特征数据
X。 -
详解：
copy_X=True(默认)：在拟合模型之前，会创建特征矩阵X的一个副本。原始数据X不会被修改。这是安全的选择。copy_X=False：模型会直接在原始数据X上进行计算。这可以节省内存，尤其是当X非常大时。但缺点是会覆盖原始数据。
-
如何选择：
- 通常保持默认值
True，以确保原始数据安全。 - 只有在内存极度紧张且你确定不再需要原始
X数据时，才设置为False。
- 通常保持默认值
3. n_jobs : int, default=None
-
功能：设置用于计算的 CPU 核心数量，用于并行化计算。
-
详解：
n_jobs=None(默认)：使用 1 个核心。n_jobs=-1：使用所有可用的 CPU 核心。n_jobs=2：使用 2 个核心。
-
何时有用：
- 这个参数主要在目标值
y是多维（例如，你同时要预测多个相关的目标变量）时才会生效。对于绝大多数单目标回归问题（y是一维向量），设置n_jobs不会有任何性能提升，因为计算无法被并行化。
- 这个参数主要在目标值
-
如何选择：
- 对于普通的房价预测等单目标问题，可以忽略此参数，保持默认
None即可。 - 只有在进行多输出回归（Multi-output Regression）时，才考虑设置
n_jobs=-1来加速。
- 对于普通的房价预测等单目标问题，可以忽略此参数，保持默认
4. positive : bool, default=False
-
功能：强制所有系数（）为非负数。
-
详解：
positive=False(默认)：系数可以是任意实数（正数、负数或零）。positive=True：约束所有系数 >= 0。这相当于在求解最优化问题时增加了一个约束条件。
-
应用场景：
- 当你根据业务逻辑或先验知识，确定特征与目标之间只能是正相关关系时。例如，在商品需求预测中，假设价格打折（折扣力度是一个特征）永远不会导致需求减少，那么就可以强制该特征的系数为非负。
- 它也可以作为一种正则化的形式，帮助防止过拟合，特别是在特征数量多或数据量小的情况下。
-
如何选择：
- 大多数情况下保持默认
False。 - 只有当你有明确的理由要求模型系数必须为正时，才设置为
True。
- 大多数情况下保持默认
线性回归-梯度下降使用 SGDRegressor
SGDRegressor 的参数可以分为几大类：损失函数、正则化、学习率和迭代控制。
sklearn.linear_model.SGDRegressor(
loss='squared_error',
penalty='l2',
alpha=0.0001,
l1_ratio=0.15,
fit_intercept=True,
max_iter=1000,
tol=1e-3,
shuffle=True,
learning_rate='invscaling',
eta0=0.01,
power_t=0.25,
early_stopping=False,
validation_fraction=0.1,
n_iter_no_change=5,
epsilon=0.1,
random_state=None,
verbose=0,
warm_start=False,
)
参数详解：
1. 损失函数相关参数 (loss)
-
loss : str, default='squared_error'
-
功能：指定要使用的损失函数，即要最小化的目标函数。
-
可选值：
'squared_error'：普通最小二乘，即线性回归。损失函数为 。这是最常用的默认值。'huber'：Huber 损失，对异常值的敏感度低于平方损失。它是平方损失和绝对损失的结合，需要通过epsilon参数控制其敏感度。'epsilon_insensitive'：ε-不敏感损失，用于支持向量回归（SVR）。'squared_epsilon_insensitive'：平方的 ε-不敏感损失。
-
选择指南：
- 数据干净，无明显异常值：
'squared_error'。 - 数据中有异常值，希望模型更稳健：
'huber'并调整epsilon。
- 数据干净，无明显异常值：
-
-
epsilon : float, default=0.1
- 功能：当
loss='huber'或'epsilon_insensitive'时，此参数决定了其对错误的容忍度。对于 Huber 损失，误差小于epsilon时是平方项，大于时是线性项。值越大，对异常值越不敏感。
- 功能：当
2. 正则化相关参数 (penalty, alpha, l1_ratio)
这是 SGDRegressor 非常强大的一部分，你可以轻松实现多种正则化。
-
penalty : {'l2', 'l1', 'elasticnet'}, default='l2'
-
功能：指定使用的正则化类型，用于防止过拟合。
-
可选值：
'l2'(默认)： Ridge 回归。惩罚系数大小的平方和。倾向于产生小而分散的系数。'l1'： Lasso 回归。惩罚系数大小的绝对值和。倾向于产生稀疏模型（许多系数为0），可用于特征选择。'elasticnet'： Elastic-Net。L1 和 L2 惩罚的凸组合。通过l1_ratio参数控制混合比例。None： 无正则化。
-
-
alpha : float, default=0.0001
- 功能：正则化项的强度。乘以损失函数的常数。
- 详解：alpha 越大，正则化越强，模型系数会被压缩得越小（趋向于0），模型越简单，越可能欠拟合。
alpha越小，正则化越弱，模型更可能过拟合。 - 注意：SGD 中的
alpha等价于Ridge(alpha=alpha)和Lasso(alpha=alpha)中的alpha。这是最重要的需要调优的参数之一，通常通过网格搜索（如GridSearchCV）在[1e-5, 1e-4, ..., 1, 10]这样的范围内寻找最佳值。
-
l1_ratio : float, default=0.15
-
功能：当
penalty='elasticnet'时，Elastic-Net 混合参数。 -
详解：
l1_ratio = 0： 等价于 L2 惩罚。0 < l1_ratio < 1： 混合 L1 和 L2。l1_ratio = 1： 等价于 L1 惩罚。
-
3. 学习率调度参数 (learning_rate, eta0, power_t)
梯度下降中，学习率决定了每一步更新的步长。
-
learning_rate : str, default='invscaling'
-
功能：学习率调度策略。
-
可选值：
'constant'： 恒定学习率，由eta0指定。eta = eta0'optimal'： 基于原始论文的启发式选择，不需要调eta0。'invscaling'(默认)： 逐渐衰减的学习率。计算公式为eta = eta0 / pow(t, power_t)，其中t是时间步（迭代次数）。这是最常用的策略，随着迭代进行，步长越来越小，有助于收敛。'adaptive'： 自适应学习率。只要损失持续下降，就保持eta0不变；当连续n_iter_no_change次迭代损失下降低于tol时，将学习率除以5。
-
-
eta0 : float, default=0.01
- 功能：初始学习率。当
learning_rate为'constant','invscaling'或'adaptive'时使用。 - 详解：学习率设置太大可能导致算法无法收敛（在最优值附近震荡甚至发散），设置太小则收敛速度过慢。0.01 是一个常见的起始点。
- 功能：初始学习率。当
-
power_t : float, default=0.25
- 功能：当
learning_rate='invscaling'时，用于计算学习率的指数。
- 功能：当
4. 迭代与停止条件参数 (max_iter, tol, early_stopping)
-
max_iter : int, default=1000
- 功能：遍历训练数据的最大次数（epochs）。
- 详解：SGD 是迭代算法，需要一个停止条件。对于中小型数据集，1000 通常足够。如果数据集很大，可能需要减少这个值。
-
tol : float, default=1e-3
- 功能：停止训练的容忍度。
- 详解：如果一次迭代中损失的下降小于
tol，且early_stopping=False，则训练停止。调低 tol 可能会使模型拟合得更好，但也会增加训练时间。
-
early_stopping : bool, default=False
- 功能：是否使用提前停止。
- 详解：当设置为
True时，会预留一部分数据（validation_fraction）作为验证集。当验证分数在连续n_iter_no_change次迭代中没有提高至少tol时，就停止训练。这是一种有效防止过拟合的方法。
-
n_iter_no_change : int, default=5
- 功能：在提前停止或学习率自适应下降之前，等待验证集分数无改进的迭代次数。
-
validation_fraction : float, default=0.1
- 功能：当
early_stopping=True时，用作验证集的训练数据比例。
- 功能：当
5. 其他重要参数
-
shuffle : bool, default=True
- 功能：是否在每轮迭代后打乱训练数据。强烈建议保持 True，打乱数据是 SGD 工作的核心假设之一，可以防止循环出现不良的更新模式。
-
random_state : int, default=None
- 功能：控制数据打乱和初始化的随机种子。设置一个固定的值可以确保每次运行的结果一致，对于复现实验结果至关重要。
-
warm_start : bool, default=False
- 功能：如果设为
True，那么调用fit()时会使用上一次训练得到的系数作为初始化参数，从而实现增量训练。否则，每次fit()都会重新初始化。
- 功能：如果设为
6，具体示例-加州房价预测
加州房价数据集介绍
- 数据集概况
- 来源：该数据集源自 1990 年的加州人口普查。
- 用途：用于回归模型的练习和测试，目标是预测加州各区域的房屋中位价。
- 样本数量：20,640 条记录。这比波士顿数据集（506条）大得多，能更好地体现机器学习算法的效果。
- 特征数量：8 个数值型特征。这些特征涵盖了人口、地理位置和经济指标。
- 目标变量：
MedHouseVal- 街区群体的房屋中位价，单位是十万美元。
注意：目标变量是分组中位价。这意味着一个街区的所有房屋都被分配了该街区的 median house value。对于任何位于该街区的房屋，目标值都是相同的。
- 特征详细说明
这8个特征提供了预测房价的不同维度信息，均无伦理问题：
-
MedInc：街区居民的收入中位数。
-
HouseAge：街区内房屋年龄中位数。
-
AveRooms：平均房间数（每户）。
-
AveBedrms：平均卧室数（每户）。
-
Population：街区人口数。
-
AveOccup：平均家庭成员数（每户）。
-
Latitude：街区的纬度。
-
Longitude：街区的经度。
3.目标变量：
- MedHouseVal：房屋中位价（单位：十万美元）。
线性回归-正规方程使用 LinearRegression
from sklearn.datasets import fetch_california_housing
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
# 1,加载数据
california = fetch_california_housing()
print(california.data, california.data.shape)
print(california.target)
print(california.feature_names)
# 2,数据预处理
X_train, X_test, y_train, y_test = train_test_split(california.data, california.target, test_size=0.2, random_state=20)
scaler = StandardScaler() # 数据标准化：消除不同特征量纲的影响
X_train_scaled = scaler.fit_transform(X_train) # fit计算生成模型，transform通过模型转换数据
X_test_scaled = scaler.transform(X_test) # # 使用训练集的参数转换测试集
# 3,创建和训练线性回归模型(正规方程)
lr_model = LinearRegression() # 创建分类器实例
lr_model.fit(X_train_scaled, y_train) # 训练模型
print('权重系数：', lr_model.coef_)
print('偏置值：', lr_model.intercept_) # 在线性回归模型中，•偏置（截距）•（bias）是模型参数之一，表示当所有特征值为0时，目标变量的期望值。
# 4，模型评估
y_predict = lr_model.predict(X_test_scaled)
print('预测值：', y_predict)
mse = mean_squared_error(y_test, y_predict)
print('正规方程-均方误差：', mse)
运行输出：
[[ 8.3252 41. 6.98412698 ... 2.55555556 37.88 -122.23 ]
[ 8.3014 21. 6.23813708 ... 2.10984183 37.86 -122.22 ]
[ 7.2574 52. 8.28813559 ... 2.80225989 37.85 -122.24 ]
...
[ 1.7 17. 5.20554273 ... 2.3256351 39.43 -121.22 ]
[ 1.8672 18. 5.32951289 ... 2.12320917 39.43 -121.32 ]
[ 2.3886 16. 5.25471698 ... 2.61698113 39.37 -121.24 ]] (20640, 8)
[4.526 3.585 3.521 ... 0.923 0.847 0.894]
['MedInc', 'HouseAge', 'AveRooms', 'AveBedrms', 'Population', 'AveOccup', 'Latitude', 'Longitude']
权重系数： [ 0.83275185 0.1173856 -0.27597663 0.29900186 -0.00795271 -0.03963673 -0.88241635 -0.85338011]
偏置值： 2.0678235537788865
预测值： [1.58299034 3.01567949 1.75417605 ... 1.84161594 2.81049138 1.16693905]
正规方程-均方误差： 0.5410055769085323
Process finished with exit code 0
线性回归-梯度下降使用 SGDRegressor
from sklearn.datasets import fetch_california_housing
from sklearn.linear_model import SGDRegressor
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
# 1,加载数据
california = fetch_california_housing()
print(california.data, california.data.shape)
print(california.target)
print(california.feature_names)
# 2,数据预处理
X_train, X_test, y_train, y_test = train_test_split(california.data, california.target, test_size=0.2, random_state=20)
scaler = StandardScaler() # 数据标准化：消除不同特征量纲的影响
X_train_scaled = scaler.fit_transform(X_train) # fit计算生成模型，transform通过模型转换数据
X_test_scaled = scaler.transform(X_test) # # 使用训练集的参数转换测试集
# 3,创建和训练线性回归模型(梯度下降)
lr_model = SGDRegressor() # 创建分类器实例
lr_model.fit(X_train_scaled, y_train) # 训练模型
print('权重系数：', lr_model.coef_)
print('偏置值：', lr_model.intercept_) # 在线性回归模型中，•偏置（截距）•（bias）是模型参数之一，表示当所有特征值为0时，目标变量的期望值。
# 4，模型评估
y_predict = lr_model.predict(X_test_scaled)
print('预测值：', y_predict)
mse = mean_squared_error(y_test, y_predict)
print('梯度下降方程-均方误差：', mse)
运行输出：
[[ 8.3252 41. 6.98412698 ... 2.55555556 37.88 -122.23 ]
[ 8.3014 21. 6.23813708 ... 2.10984183 37.86 -122.22 ]
[ 7.2574 52. 8.28813559 ... 2.80225989 37.85 -122.24 ]
...
[ 1.7 17. 5.20554273 ... 2.3256351 39.43 -121.22 ]
[ 1.8672 18. 5.32951289 ... 2.12320917 39.43 -121.32 ]
[ 2.3886 16. 5.25471698 ... 2.61698113 39.37 -121.24 ]] (20640, 8)
[4.526 3.585 3.521 ... 0.923 0.847 0.894]
['MedInc', 'HouseAge', 'AveRooms', 'AveBedrms', 'Population', 'AveOccup', 'Latitude', 'Longitude']
权重系数： [ 9.00030244e-01 1.20593849e-01 -5.13860669e-01 2.43337638e-01 -5.14784939e-04 -1.24408200e-01 -7.15071233e-01 -6.91217595e-01]
偏置值： [2.05038682]
预测值： [1.67351153 2.91473399 1.719945 ... 1.93827611 2.66340199 1.29512693]
梯度下降方程-均方误差： 0.711588824356649
7，回归性能评估
均方误差（Mean Squared Error，MSE）是回归问题中常用的性能评估指标之一，它衡量了模型预测值与真实值之间的差异。MSE的公式如下：
在 scikit-learn 中，计算均方误差非常简单，可以通过 mean_squared_error 函数来实现：
mean_squared_error(
y_true,
y_pred,
*,
sample_weight=None,
multioutput='uniform_average',
squared=True
)
参数详解：
1. y_true : array-like of shape (n_samples,) or (n_samples, n_outputs)
- 功能：真实值（Ground Truth / Actual Values）。
- 要求：这是必需的定位参数（必须提供）。
- 格式：可以是一维数组（单输出问题）或二维数组（多输出问题）。
2. y_pred : array-like of shape (n_samples,) or (n_samples, n_outputs)
- 功能：预测值（Predicted Values）。
- 要求：这是必需的定位参数（必须提供）。
- 格式：必须与
y_true具有相同的形状。
3. sample_weight : array-like of shape (n_samples,), default=None
-
功能：样本权重。用于给每个样本的损失赋予不同的重要性。
-
详解：
None(默认)：所有样本的权重相等。- 提供权重数组：权重大的样本，其预测误差对最终 MSE 的贡献也更大。
-
应用场景：
- 某些样本在业务上更重要，需要模型更准确地预测它们。
- 处理类别不平衡的回归问题（虽然不常见）。
