机器学习算法原理总结系列---算法基础之(9)多元回归分析(Multiple Regression)

一、原理详解

与简单线性回归区别(simple linear regression)

多个自变量(x)

多元回归模型

y=β0＋β１x1+β2x2+ … +βpxp+ε

其中：β0，β１，β2… βp是参数

ε是误差值

多元回归方程

E(y)=β0＋β１x1+β2x2+ … +βpxp

估计多元回归方程:

y_hat=b0＋b１x1+b2x2+ … +bpxp

一个样本被用来计算β0，β１，β2… βp的点估计b0, b1, b2,…, bp

估计流程 (与简单线性回归类似）



估计方法

使sum of squares最小



运算与简单线性回归类似，涉及到线性代数和矩阵代数的运算

例子

一家快递公司送货：X1： 运输里程 X2： 运输次数 Y：总运输时间



Time = b0+ b1*Miles + b2 * Deliveries

Time = -0.869 + 0.0611 Miles + 0.923 Deliveries

描述参数含义

b0: 平均每多运送一英里，运输时间延长0.0611 小时

b1: 平均每多一次运输，运输时间延长 0.923 小时

预测

如果一个运输任务是跑102英里，运输6次，预计多少小时？

Time = -0.869 +0.0611 102+ 0.923 6

= 10.9 (小时）

如果自变量中有分类型变量(categorical data) , 如何处理？



使用ont-hot的编码方式，将分类型变量转化为0,1的形式。

关于误差的分布

误差ε是一个随机变量，均值为0

ε的方差对于所有的自变量来说相等

所有ε的值是独立的

ε满足正态分布，并且通过β0＋β１x1+β2x2+ … +βpxp反映y的期望值

二、代码实现

任务依然是上面的例子实现，保存一个csv文件显示为：

from numpy import genfromtxt
from sklearn import linear_model
import numpy as np

dataPath = r"delivery_analyze.csv"
deliveryData = genfromtxt(dataPath, delimiter=',')

print("data")
print(deliveryData)

X = deliveryData[:, :-1]
Y = deliveryData[:, -1]

print("X:")
print(X)
print("Y: ")
print(Y)

regr = linear_model.LinearRegression()

regr.fit(X, Y)

print("coefficients")
print(regr.coef_)
print("intercept: ")
print(regr.intercept_)

xPred = [102, 6]
yPred = regr.predict(np.array(xPred).reshape(1, -1))
print("predicted y: ")
print(yPred)