使用scikit-learn和pandas学习线性回归

news/2024/10/30 17:24:55/

        对于想深入了解线性回归的童鞋,这里给出一个完整的例子,详细学完这个例子,对用scikit-learn来运行线性回归,评估模型不会有什么问题了。

1. 获取数据,定义问题

  没有数据,当然没法研究机器学习啦。这里我们用UCI大学公开的机器学习数据来跑线性回归。  

数据的介绍在这: http://archive.ics.uci.edu/ml/datasets/Combined+Cycle+Power+Plant

数据的下载地址在这: http://archive.ics.uci.edu/ml/machine-learning-databases/00294/

        里面是一个循环发电场的数据,共有9568个样本数据,每个数据有5列,分别是:AT(温度), V(压力), AP(湿度), RH(压强), PE(输出电力)。我们不用纠结于每项具体的意思。

  我们的问题是得到一个线性的关系,对应PE是样本输出,而AT/V/AP/RH这4个是样本特征, 机器学习的目的就是得到一个线性回归模型,即:

  PE= \theta _0+\theta _1\times AT+\theta _2 \times V+\theta _3 \times AP+\theta _4 \times RH

  而需要学习的,就是\theta_0,\theta_1,\theta_2,\theta3,\theta_4这5个参数。

2. 整理数据

  下载后的数据可以发现是一个压缩文件,解压后可以看到里面有一个xlsx文件,我们先用excel把它打开,接着“另存为“”csv格式,保存下来,后面我们就用这个csv来运行线性回归。

  打开这个csv可以发现数据已经整理好,没有非法数据,因此不需要做预处理。但是这些数据并没有归一化,也就是转化为均值0,方差1的格式。也不用我们搞,后面scikit-learn在线性回归时会先帮我们把归一化搞定。

  好了,有了这个csv格式的数据,我们就可以大干一场了。

3. 用pandas来读取数据

  我们先打开ipython notebook,新建一个notebook。当然也可以直接在python的交互式命令行里面输入,不过还是推荐用notebook。下面的例子和输出我都是在notebook里面跑的。

  先把要导入的库声明了:

import matplotlib.pyplot as plt
%matplotlib inline
import numpy as np
import pandas as pd
from sklearn import datasets, linear_model

        接着我们就可以用pandas读取数据了:

# read_csv里面的参数是csv在你电脑上的路径,此处csv文件放在notebook运行目录下面的CCPP目录里
data = pd.read_csv('.\CCPP\ccpp.csv')

        测试下读取数据是否成功:

#读取前五行数据,如果是最后五行,用data.tail()
data.head()

        运行结果应该如下,看到下面的数据,说明pandas读取数据成功:

#读取前五行数据,如果是最后五行,用data.tail()
data.head()
ATVAPRHPE
08.3440.771010.8490.01480.48
123.6458.491011.4074.20445.75
229.7456.901007.1541.91438.76
319.0749.691007.2276.79453.09
411.8040.661017.1397.20464.43

4. 准备运行算法的数据

  我们看看数据的维度:

data.shape

  结果是(9568, 5)。说明我们有9568个样本,每个样本有5列。

  现在我们开始准备样本特征X,我们用AT, V,AP和RH这4个列作为样本特征。

X = data[['AT', 'V', 'AP', 'RH']]
X.head()

  可以看到X的前五条输出如下:

ATVAPRH
08.3440.771010.8490.01
123.6458.491011.4074.20
229.7456.901007.1541.91
319.0749.691007.2276.79
411.8040.661017.1397.20

  接着我们准备样本输出y, 我们用PE作为样本输出。

y = data[['PE']]
y.head()

  可以看到y的前五条输出如下:

PE
0480.48
1445.75
2438.76
3453.09
4464.43

5. 划分训练集和测试集

  我们把X和y的样本组合划分成两部分,一部分是训练集,一部分是测试集,代码如下:

from sklearn.cross_validation import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=1)

  查看下训练集和测试集的维度:

print X_train.shape
print y_train.shape
print X_test.shape
print y_test.shape

  结果如下:

(7176, 4)
(7176, 1)
(2392, 4)
(2392, 1) 
  可以看到75%的样本数据被作为训练集,25%的样本被作为测试集。

6. 运行scikit-learn的线性模型

  终于到了临门一脚了,我们可以用scikit-learn的线性模型来拟合我们的问题了。scikit-learn的线性回归算法使用的是最小二乘法来实现的。代码如下:
from sklearn.linear_model import LinearRegression
linreg = LinearRegression()
linreg.fit(X_train, y_train)

  拟合完毕后,我们看看我们的需要的模型系数结果:

print linreg.intercept_
print linreg.coef_

  输出如下:

[ 447.06297099]
[[-1.97376045 -0.23229086  0.0693515  -0.15806957]]

  这样我们就得到了在步骤1里面需要求得的5个值。也就是说PE和其他4个变量的关系如下:

        PE=447.06297099 - 1.97376045 \times AT - 0.23229086 \times V + 0.0693515 \times AP - 0.15806957 \times RH

    

7. 模型评价

  我们需要评估我们的模型的好坏程度,对于线性回归来说,我们一般用均方差(Mean Squared Error, MSE)或者均方根差(Root Mean Squared Error, RMSE)在测试集上的表现来评价模型的好坏。

  我们看看我们的模型的MSE和RMSE,代码如下:

#模型拟合测试集
y_pred = linreg.predict(X_test)
from sklearn import metrics
# 用scikit-learn计算MSE
print "MSE:",metrics.mean_squared_error(y_test, y_pred)
# 用scikit-learn计算RMSE
print "RMSE:",np.sqrt(metrics.mean_squared_error(y_test, y_pred))

    输出如下:

MSE: 20.0804012021
RMSE: 4.48111606657

        得到了MSE或者RMSE,如果我们用其他方法得到了不同的系数,需要选择模型时,就用MSE小的时候对应的参数。

  比如这次我们用AT, V,AP这3个列作为样本特征。不要RH, 输出仍然是PE。代码如下:

X = data[['AT', 'V', 'AP']]
y = data[['PE']]
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=1)
from sklearn.linear_model import LinearRegression
linreg = LinearRegression()
linreg.fit(X_train, y_train)
#模型拟合测试集
y_pred = linreg.predict(X_test)
from sklearn import metrics
# 用scikit-learn计算MSE
print "MSE:",metrics.mean_squared_error(y_test, y_pred)
# 用scikit-learn计算RMSE
print "RMSE:",np.sqrt(metrics.mean_squared_error(y_test, y_pred))

        输出如下:

MSE: 23.2089074701
RMSE: 4.81756239919
   可以看出,去掉RH后,模型拟合的没有加上RH的好,MSE变大了。

8. 交叉验证

  我们可以通过交叉验证来持续优化模型,代码如下,我们采用10折交叉验证,即cross_val_predict中的cv参数为10:
X = data[['AT', 'V', 'AP', 'RH']]
y = data[['PE']]
from sklearn.model_selection import cross_val_predict
predicted = cross_val_predict(linreg, X, y, cv=10)
# 用scikit-learn计算MSE
print "MSE:",metrics.mean_squared_error(y, predicted)
# 用scikit-learn计算RMSE
print "RMSE:",np.sqrt(metrics.mean_squared_error(y, predicted))

9. 画图观察结果

  这里画图真实值和预测值的变化关系,离中间的直线y=x直接越近的点代表预测损失越低。代码如下:

fig, ax = plt.subplots()
ax.scatter(y, predicted)
ax.plot([y.min(), y.max()], [y.min(), y.max()], 'k--', lw=4)
ax.set_xlabel('Measured')
ax.set_ylabel('Predicted')
plt.show()

        输出的图像如下:


http://www.ppmy.cn/news/148773.html

相关文章

分贝测试软件哪个好 家庭影院,家庭影院5.1和7.1哪种好?5.1和7.1家庭影院区别...

很多人也越来越想在家里搞一套家庭影院,在家里搞一套影院播放系统还是很方便的,不过有一些朋友会在纠结家庭影院5.1和7.1哪种好,它们的区别是什么,下面就让小编来给大家解释一下5.1和7.1家庭影院区别吧。 一、家庭影院5.1和7.1哪种…

私家影院,书房影院,客厅影院装修设中需要注意什么?

私人家庭影院设计美学与声学处理 家庭影院设计中,影院的美学,也是其中得一个比较重要的环境,在考虑好影视厅声学的基础上面,因此在前期设计规划的时候,需要从房子的家居风格开始考虑,一旦构建起来之后&…

杜比介绍 杜比数位 Dolby

杜比音效 上面符号,经常在电视机、电影院和投影仪上出现,说明设备支持杜比技术,在一定程度上可以给人带来较好的听觉体验,从二维立体声到三维全景声,给人一种空间感和沉浸感。 什么是杜比技术? 说到杜比技…

Transmission+Plex,自己的家庭影院

以前写过不少自建离线下载、自建网盘的教程了,博主在网络上又发现了一款在线播放程序,看起来比较高大上,配合以前的下载程序,看看大片是没啥问题了。 Table of Contents 往期回顾下载工具 特性:CentOS安装使用事项De…

家庭影院.液晶电视.常见接口介绍(一)

家庭影院.液晶电视.常见接口介绍(一) 草木瓜 20080501 转载整理自网络 一、TV 接口 TV接口又称RF(Radio Frequency)射频输入,这是在电视机上最早出现的接口。TV接口的成像原理是将视频信号(CVBS)和音频信号(Audio)相混合编码后输出,然后在显示设备…

vue 实现 dragover拖拽到页面底部时元素自动向下滚动

公司要求做一个类似于企业微信的日程功能 然后呢 日程组件 需要能拖拽时间段创建 这里 我们使用 dragstartdragenddragover 记录被拖动位置完成的 如果没接触过 可以查看我的文章 vue记录鼠标拖拽划过位置并将划过位置变色 这里的话 其实可以在dragover中做操作 界面上 drag…

Docker Desktop 如何运行容器

第一次使用windows环境下的DockerDesktop记录下使用方法 1、配置镜像源,虽然配置了镜像源,但是在界面你还是搜索不到镜像,应该默认使用的是官方dockerhub的原因,后面可以手动创建避开这个问题。 2、运行系统的windows powershell…

python基础----01-----环境搭建

一 python介绍 1.1 Python 特点 Python 是完全面向对象的语言。函数、模块、数宁、宁符串都是对象,在 Python 中一切皆对象。完全支持继承、重载、多重继承。支持重载运算符,也支持泛型设计。Python 拥有一个强大的标准库,Python 语言的核心…