用Python進行線性回歸 用Python中的mlxtend包實現(xiàn)關(guān)聯(lián)規(guī)則挖掘

1.簡單線性回歸

讀取Case1.csv，其中wt列為病人體重，volume列為病人腎臟容積，試建立回歸方程，用病人體重預(yù)測病人腎臟容積。

2.多元線性回歸

讀取Case2.csv，其中CRIM列為城鎮(zhèn)人均犯罪率，ZN為住宅用地超過25,000平方英尺以上的比例，INDUS為城鎮(zhèn)非零售商用土地的比例（即工業(yè)或農(nóng)業(yè)等用地比例），CHAS為查爾斯河虛擬變量（邊界是河，則為1；否則為0），NOX為一氧化氮濃度（百萬分之幾），RM為每個住宅的平均房間數(shù)，AGE為1940 年之前建成的自用房屋比例，DIS為到波士頓五個中心區(qū)域的加權(quán)距離（與繁華鬧市的距離，區(qū)分郊區(qū)與市區(qū)），RAD為高速公路通行能力指數(shù)（輻射性公路的靠近指數(shù)），TAX為每10,000美元的全額財產(chǎn)稅率，PTRATIO為按鎮(zhèn)劃分的城鎮(zhèn)師生比例，B為1000(Bk-0.63)^2其中Bk是城鎮(zhèn)黑人比例，LSTAT為人口中地位低下者的百分比，MEDV為自有住房的中位數(shù)價值（單位：千美元）。以MEDV為因變量（預(yù)測目標），建立回歸方程，預(yù)測房價，并評價模型性能。

3.關(guān)聯(lián)規(guī)則挖掘

讀取Case3.csv，試挖掘出支持度>=0.02，置信度>=0.35的關(guān)聯(lián)規(guī)則。

4.梯度下降法實現(xiàn)多元線性回歸（選做）

自行實現(xiàn)梯度下降法，實現(xiàn)多元線性回歸中的參數(shù)計算。記錄自己實現(xiàn)的梯度下降法的運算時間，與statsmodels中的方法進行比較。

5.Apriori算法實現(xiàn)關(guān)聯(lián)規(guī)則挖掘（選做）

自行實現(xiàn)Apriori算法，實現(xiàn)關(guān)聯(lián)規(guī)則挖掘。記錄自己實現(xiàn)的Apriori算法的運算時間，與mlxtend中的方法進行比較。

三、實驗過程及步驟

1.一元線性回歸&多元線性回歸

1.0實現(xiàn)思路

一元線性回歸近似于用一條直線來擬合數(shù)據(jù)和結(jié)果，y = a·x + b。我們會希望數(shù)據(jù)的分布和擬合曲線之間的誤差越小而且符合正態(tài)分布。

1.1基于Statsmodels.OLS的一元線性回歸

在進行多元回歸的時候需要將excel中多列參數(shù)值讀到stark中，然后再調(diào)用相關(guān)函數(shù)。

1.2 DIY一元線性回歸

定義矩陣乘法函數(shù)J（梯度下降函數(shù)）和對矩陣求導的函數(shù)dj，求導的結(jié)果決定了x的方向。

具體實現(xiàn)：使用numpy包中的dot函數(shù)實現(xiàn)點乘

2.相關(guān)分析

2.1將數(shù)據(jù)庫中數(shù)據(jù)讀成購物清單的格式

圖二 格式轉(zhuǎn)換

2.2遍歷得到所有商品，放到C1中；

2.3假定支持度是0.2，計算每個商品的支持度（出現(xiàn)的頻率），如果支持度超過0.2則放入L1層；

2.4將L1層中商品進行兩兩組合，得到C2，計算C2中每個組合的支持度，將支持度大于0.02的組合放入L2層；最終得到的L就類似是一個柜子，如下圖所示，最后通過遍歷可以得到支持度大于0.2的組合；

圖三 實驗結(jié)果效果圖

四、實驗結(jié)果及分析

1.出現(xiàn)的問題

·在使用自己寫得多元線性回歸遞歸的時候出現(xiàn)梯度越來越大的問題。

圖四 每次迭代之后梯度反而上升

當我修改eta從0.01至0.000001后下降的數(shù)據(jù)恢復正常，在迭代后逐漸減小。

圖五 在修改公式中的eta后數(shù)據(jù)恢復正常

2.結(jié)果時間對比

圖六 結(jié)果時間對比

3.結(jié)果評估

在回歸任務(wù)（對連續(xù)值的預(yù)測）中，常見的評估指標（Metric）有：平均絕對誤差（Mean Absolute Error,MAE）、均方誤差（Mean Square Error,MSE）、均方根誤差（Root Mean Square Error,RMSE）和平均絕對百分比誤差（Mean Absolute Percentage Error,MAPE），其中用得最為廣泛的就是MAE和MSE。

圖七 一元線性回歸summary

從圖中我們可以看出樣本數(shù)量（No.Observation）為24；

殘差自由度 （DF Residuals，殘差指的是實際觀察值與估計值之間的差）為22,；

參數(shù)數(shù)量（DF Residuals）為1；

確定系數(shù) （R-squared，說明估計的準確性“確定系數(shù)”是通過數(shù)據(jù)的變化來表征一個擬合的好壞。由上面的表達式可以知道“確定系數(shù)”的正常取值范圍為[0 1]，越接近1，表明方程的變量對y的解釋能力越強，這個模型對數(shù)據(jù)擬合的也較好）為0.986，確定系數(shù)與SSR（Sum of squares of the regression，即預(yù)測數(shù)據(jù)與原始數(shù)據(jù)均值之差的平方和）和SST（Total sum of squares，即原始數(shù)據(jù)和均值之差的平方和）相關(guān)，R-squared = SSR/SST；

修正確定系數(shù)（ Adj.R-squared）為0.981，這里修正確定系數(shù)公式為，p為模型中變量的個數(shù)，當引入新的變量時可以提高確定系數(shù)，我們引入修正系數(shù)相當于給變量個數(shù)的增加添加懲罰項。

圖八 使用Statsmodels.OLS的一元線性回歸結(jié)果可視化

從圖片中來看，Const 和 wt 分別意味截距和斜率。

圖九 DIY一元線性回歸結(jié)果

圖十 多元線性回歸summary

圖十一 多元線性回歸參數(shù)列表

圖十二 根據(jù)DIY多元數(shù)據(jù)模型預(yù)測出出來的房價（部分）

圖十三 DIY多元數(shù)據(jù)評估指標

對比來看，DIY模型效果不是很好呀，這里的R2即左邊多元線性回歸summary中的R-squared，R2 是多元回歸中的回歸平方和占總平方和的比例,它是度量多元回歸方程中擬合程度的一個統(tǒng)計量,反映了在因變量y的變差中被估計的回歸方程所解釋的比例。R2 越接近1,表明回歸平方和占總平方和的比例越大,回歸線與各觀測點越接近,用x的變化來解釋y值變差的部分就越多,回歸的擬合程度就越好。

圖十二 基于mlxtend.frequent_patterns的關(guān)聯(lián)分析

圖十三 DIY關(guān)聯(lián)分析（部分）