Python AI – 監督學習：迴歸

---

迴歸是統計學和機器學習中最重要的工具之一。毫不誇張地說，機器學習的旅程是從迴歸開始的。它可以定義為一種引數化技術，允許我們根據資料做出決策，或者換句話說，透過學習輸入和輸出變數之間的關係來根據資料進行預測。在這裡，輸出變數（依賴於輸入變數）是連續值的實數。在迴歸中，輸入和輸出變數之間的關係很重要，它有助於我們理解輸出變數的值如何隨著輸入變數的變化而變化。迴歸經常用於預測價格、經濟、變化等。

在 Python 中構建迴歸模型

在本節中，我們將學習如何構建單變數和多變量回歸模型。

線性迴歸/單變量回歸

讓我們匯入一些必要的包：

import numpy as np
from sklearn import linear_model
import sklearn.metrics as sm
import matplotlib.pyplot as plt

現在，我們需要提供輸入資料，並將資料儲存在名為 linear.txt 的檔案中。

input = 'D:/ProgramData/linear.txt'

我們需要使用 **np.loadtxt** 函式載入這些資料。

input_data = np.loadtxt(input, delimiter=',')
X, y = input_data[:, :-1], input_data[:, -1]

下一步是訓練模型。讓我們給出訓練和測試樣本。

training_samples = int(0.6 * len(X))
testing_samples = len(X) - num_training

X_train, y_train = X[:training_samples], y[:training_samples]

X_test, y_test = X[training_samples:], y[training_samples:]

現在，我們需要建立一個線性迴歸物件。

reg_linear = linear_model.LinearRegression()

使用訓練樣本訓練該物件。

reg_linear.fit(X_train, y_train)

我們需要使用測試資料進行預測。

y_test_pred = reg_linear.predict(X_test)

現在繪製並可視化資料。

plt.scatter(X_test, y_test, color = 'red')
plt.plot(X_test, y_test_pred, color = 'black', linewidth = 2)
plt.xticks(())
plt.yticks(())
plt.show()

輸出

現在，我們可以計算線性迴歸的效能如下：

print("Performance of Linear regressor:")
print("Mean absolute error =", round(sm.mean_absolute_error(y_test, y_test_pred), 2))
print("Mean squared error =", round(sm.mean_squared_error(y_test, y_test_pred), 2))
print("Median absolute error =", round(sm.median_absolute_error(y_test, y_test_pred), 2))
print("Explain variance score =", round(sm.explained_variance_score(y_test, y_test_pred),
2))
print("R2 score =", round(sm.r2_score(y_test, y_test_pred), 2))

輸出

線性迴歸的效能：

Mean absolute error = 1.78
Mean squared error = 3.89
Median absolute error = 2.01
Explain variance score = -0.09
R2 score = -0.09

在上面的程式碼中，我們使用了這個小資料集。如果你想要一些更大的資料集，那麼你可以使用 sklearn.dataset 匯入更大的資料集。

2,4.82.9,4.72.5,53.2,5.56,57.6,43.2,0.92.9,1.92.4,
3.50.5,3.41,40.9,5.91.2,2.583.2,5.65.1,1.54.5,
1.22.3,6.32.1,2.8

多變量回歸

首先，讓我們匯入一些必要的包：

import numpy as np
from sklearn import linear_model
import sklearn.metrics as sm
import matplotlib.pyplot as plt
from sklearn.preprocessing import PolynomialFeatures

現在，我們需要提供輸入資料，並將資料儲存在名為 linear.txt 的檔案中。

input = 'D:/ProgramData/Mul_linear.txt'

我們將使用 **np.loadtxt** 函式載入這些資料。

input_data = np.loadtxt(input, delimiter=',')
X, y = input_data[:, :-1], input_data[:, -1]

下一步是訓練模型；我們將給出訓練和測試樣本。

training_samples = int(0.6 * len(X))
testing_samples = len(X) - num_training

X_train, y_train = X[:training_samples], y[:training_samples]

X_test, y_test = X[training_samples:], y[training_samples:]

現在，我們需要建立一個線性迴歸物件。

reg_linear_mul = linear_model.LinearRegression()

使用訓練樣本訓練該物件。

reg_linear_mul.fit(X_train, y_train)

現在，最後我們需要使用測試資料進行預測。

y_test_pred = reg_linear_mul.predict(X_test)

print("Performance of Linear regressor:")
print("Mean absolute error =", round(sm.mean_absolute_error(y_test, y_test_pred), 2))
print("Mean squared error =", round(sm.mean_squared_error(y_test, y_test_pred), 2))
print("Median absolute error =", round(sm.median_absolute_error(y_test, y_test_pred), 2))
print("Explain variance score =", round(sm.explained_variance_score(y_test, y_test_pred), 2))
print("R2 score =", round(sm.r2_score(y_test, y_test_pred), 2))

輸出

線性迴歸的效能：

Mean absolute error = 0.6
Mean squared error = 0.65
Median absolute error = 0.41
Explain variance score = 0.34
R2 score = 0.33

現在，我們將建立一個 10 次多項式並訓練迴歸模型。我們將提供樣本資料點。

polynomial = PolynomialFeatures(degree = 10)
X_train_transformed = polynomial.fit_transform(X_train)
datapoint = [[2.23, 1.35, 1.12]]
poly_datapoint = polynomial.fit_transform(datapoint)

poly_linear_model = linear_model.LinearRegression()
poly_linear_model.fit(X_train_transformed, y_train)
print("\nLinear regression:\n", reg_linear_mul.predict(datapoint))
print("\nPolynomial regression:\n", poly_linear_model.predict(poly_datapoint))

輸出

線性迴歸：

[2.40170462]

多項式迴歸：

[1.8697225]

在上面的程式碼中，我們使用了這個小資料集。如果你想要更大的資料集，那麼你可以使用 sklearn.dataset 匯入更大的資料集。

2,4.8,1.2,3.22.9,4.7,1.5,3.62.5,5,2.8,23.2,5.5,3.5,2.16,5,
2,3.27.6,4,1.2,3.23.2,0.9,2.3,1.42.9,1.9,2.3,1.22.4,3.5,
2.8,3.60.5,3.4,1.8,2.91,4,3,2.50.9,5.9,5.6,0.81.2,2.58,
3.45,1.233.2,5.6,2,3.25.1,1.5,1.2,1.34.5,1.2,4.1,2.32.3,
6.3,2.5,3.22.1,2.8,1.2,3.6