翻译/编辑/原创Vivian Ouyang
这个介绍主要是方便刚入行的数据科学家。通过这个指导，使你直接解决机器学习的问题以及从中获得经验。而且我会尽量用简单易懂的方式来介绍每一个算法，不会涉及很多数学，而是帮助你从原理上理解每个算法，每一个算法都附上R和Python的程序来帮助你直接去应用程序解决问题。一般经常使用的机器学习算法有以下11种
1.线性回归Linear Regression
2.逻辑回归Logistic Regression
3. 决策树Decision Tree
4.随机森林Random Forest
5.支持向量机SVM
6.朴素贝叶斯Naive Bayes
7.最近邻居法KNN
8.K平均算法K-Means
9.神经网络Neural Networks
10.降维算法Dimensionality Reduction Algorithms
11.梯度提升Gradient Boost & Adaboost
首先第一期介绍线性回归（1）。我会一个专题一个专题的进行介绍。线性回归算是所有方法的入门，但是也是应用很广的一个模型。比如逻辑回归本质上和线性回归也有共通的地方。所以把它作为第一个介绍的项目。
线性回归Linear Regression
线性回归一般用来估计实际连续目标变量的值（比如房价或者销售额）。在这里我们用最优的一条线来表示自变量（X）和因变量（Y）之间的关系。这条最优的线就是回归线然后可以用一个简单的函数表示
Y=aX+b
X是“独立变量”( Independent Variable)，也可以叫，解释变量，输入变量，预测变量，它是表原因的。国内一般翻译为“自变量”。Y是“依赖变量”(Dependent Variable，从字面上硬翻)，也可以叫，输出变量，响应变量，或者因变量，它是表结果的，是你的目标变量。其中a被称为斜率而b被称为截距。而系数a和b的值是使每一个数据点与回归线之间距离的平方的和最小的解。下面是用散点图来表示回归线。你可以看到一条黑色的线穿过了数据点
从上面的图可以看到，这条回归线穿过了坐标（0,0），（4,8）还有（30,60），我们可以用简单的高中数学知识解方程得到系数a=2，系数b=0.然后我们的回归方程可以写成
Y= 2*X + 0=2X
下面一个问题是我们怎么找到最优的回归线呢，简单来说，最优的回归线就是能用X的值更准确的得到Y的值的那条线。如下图，predicted是用X预测的Y，而actual是指实际的Y值。换句话说,就是用X得到的预测Y值和实际的Y值之间的不同最小的回归方程，这个不同称为误差（error）。
所谓不同最小，就是指误差最小，一般有三种方式来判断最小值
I.所有误差的和（∑error）
II.所有误差绝对值的和（∑|error|）
III. 所有误差的平方的和（∑error^2），又被称为平方误差和（SSE）
使用I这种方法容易让正值和负值进行一定的抵消，显然有时候其实有很大的error但是抵消了得到0，显示没有error。所以这种方法一般不会被采用。而II和III比较类似，都很好的避免了I的正负抵消的问题，但是一般来说∑error^2会大于∑|error|，从而让预测Y值和实际的Y值的不同更加的显著和容易被探测到。所以一般的回归分析中，我们的回归方程中的参数都是使III最小而求得的值。
介绍完了怎么计算回归模型的参数，我们再来谈一下，用什么样的指标去度量线性回归的表现呢。肯定有人会说可以用SSE来度量啊。确实可以，但是SSE度量线性回归的表现有一个问题。下面我们用一个简单的例子来说明，先看下面的两个数据表格
当我减少数据集的数据点时，我的SSE会从93.99降到76.19，所以SSE对于数据集中的数据个数比较敏感，有时候并不是你的线性模型好，而是你的数据个数比较少。
第二个可以判断线性模型好坏的是R平方(R-square)，R平方是指输出量Y可以被输入量X解释的百分比，公式如下
R-square=1-(∑(Y_预测-Y_实际)^2)/(∑(Y_实际-Y_均值)^2)
Y_实际 是实际的Y数据，Y_预测是用X算出来的Y，而Y_均值是Y的均值。R平方的范围在0到1之间。0代表这个回归模型根本解释不了Y的变化，1 表示这个回归模型可以充分地解释Y的方差变化。一般来说R平方越高，模型应该越好，但是R平方有和SSE类似的毛病。它不好的在于，随着你输入变量X增多，它总会增加，甚至你不断的加随机的输入变量（变量与Y完全不相干），它还是会不断变大。所以有时候它的增大是假的。
正是因为这个原因，我们需要第三个常用的指标来判断线性回归的表现。那个指标就是校正R平方（Adjusted R-square）。校正R平方可以理解为，给进入模型的输入变量一个惩罚机制，你加入的输入变量X越多，我的惩罚越大。因此校正R平方可以理解为计算真正和Y有关的输入变量X可以解释的Y的百分比。它引入了模型的自由度，自由度从统计上来讲，是指当以样本的统计量来估计总体的参数时，样本中独立或能自由变化的数据的个数。在这里为了方便理解，可以认为是代表着引入输入变量X的个数。因此如果加入的输入变量能解释的Y的百分比无法抗衡自由度的增加的话，你的校正R平方不会增加而是会降低。一般校正R平方用于有多个X的情况，就是多元回归模型。 下面是计算公式。
R^2是样本的R平方值，N是整体样本量，p是你输入的X的个数。
既然说到了多元回归，就来简单介绍一下多元回归吧。回归分析一般有两类：一类是简单的回归分析以及多元回归分析。简单回归分析的输入变量就一个X，多元回归分析就是有多个输入变量X1，X2,...,Xk。这个世界就是一个复杂的世界，所以一般来说，没有任何一个事情是只有一个因素来决定的，所以一般来说，当我们想预测某个连续变量的时候（例如你的血压或者工资，或者保险费），把多个因素加在线性回归里会比只用单一的因素进行预测更加准确。
在多元线性回归里面，最容易碰到的就是输入变量X1，X2,...,Xk之间有很强的相关性，这个现象一般叫做多重共线性问题。这个是每一个做线性模型的分析师们需要避免的情况，很多人做特征工程，其中重要的一步就是输入变量筛选，而这个筛选很大的原因是为了避免多重共线性的问题。为了避免这样的问题，我们使用一个叫方差膨胀因子VIF（Variance Inflation Factor）来测量多重共线性。如果这个多元线性模型没有共线性的问题，那么所有的输入变量的VIF基本上应该都小于2。如果有大于的情况，你需要计算输入变量之间的相关性来进行筛选。
当然除了多重共线性的问题，多元回归有时候还会遇到异方差，以及Y本身是自相关的，比如时间数据，感兴趣的朋友可以去自行寻找相关的介绍，我就不详细介绍了，因为可能涉及很多理论公式。除此以外我们还有多项式回归分析和曲线回归分析。下面我就介绍怎么用python和R来玩转线性回归。
python的程序
#首先加载需要的包和模块比如pandas，numpy等等#
from sklearn import linear_model
#然后加载训练数据和预测数据（检验数据）#
#确定输入变量和输出变量，其中输出变量需要是数值变量#
x_train=input_variables_training_datasets#训练数据中的输入变量#
y_train=target_variables_training_datasets #训练数据中的输出变量#
x_test=input_variables_test_datasets#预测数据中的输入变量#
#运行回归分析的函数
linear = linear_model.LinearRegression()
#用训练数据训练这个回归模型然后检查结果和参数#
linear.fit(x_train, y_train)
linear.score(x_train, y_train)
#显示参数和截距
print('coefficient: \n', linear.coef_)
print('intercept: \n', linear.intercept_)
#用训练的模型来预测模型中的输出变量Y#
predicted= linear.predict(x_test)
R的程序
#导入训练数据集以及预测数据集
#确定输入变量和输出变量，其中输出变量需要是数值变量#
x_train <- input_variables_training_datasets#训练数据中的输入变量#
y_train <- target_variables_training_datasets#训练数据中的输出变量#
x_test <- input_variables_test_datasets #预测数据中的输入变量#
x <- cbind(x_train,y_train)#生成训练数据集#
#用训练数据训练这个回归模型然后检查结果和参数#
linear <- lm(y_train ~ ., data = x)
#summary（）显示结果和参数值#
summary(linear)
#用训练的模型来预测预测模型中的输出变量Y#
predicted= predict(linear,x_test)
下面我将使用美国AllState保险公司在Kaggle上的一个数据来演示一个多元线性回归的学习案例。每一行代表一个保险理赔（claims），我们需要用公司提供的这些变量来预测最终损失（loss）,其中第一列是id号，这个数据集有连续变量和非连续变量，为了方便理解，我们只选取部分的变量来做多元回归，数据集我会附在这一期的最后AllState的压缩文件中。
下面是运行的R程序
setwd("C://Allstate") #设置你自己的路径##
full<-read.csv("train.csv")
test<-read.csv("test.csv")
#选取cat2,cat7,cat10,cat11,cat12,cat57,cat72,cat80,cat79,cat81,cat87,cat89,cat101,cont2,cont3,cont7,cont11,cont12作为自变量
feautres<-c("cat2","cat7","cat10","cat11","cat12","cat57","cat72","cat80","cat79","cat81","cat87","cat101","cont2","cont3","cont7","cont11","cont12","loss")
feautres_1<-c("cat2","cat7","cat10","cat11","cat12","cat57","cat72","cat80","cat79","cat81","cat87","cat101","cont2","cont3","cont7","cont11","cont12")
full_feautres<-full[,feautres]
lm.fit <- lm(loss ~ ., data = full_feautres) #运行回归程序#
lm.predict.test<- predict(lm.fit, newdata = test) #预测值#
All state的数据可以在本文下载，衔接如下
链接: https://pan.baidu.com/s/1hrJh4EC 密码: wsfd
下一期内容是逻辑回归。Continued~
网友评论