Python-多元线性回归方程比较最小二乘法与梯度下降法

最小二乘法是先将方程自变量与因变量化为系数矩阵X，再求该矩阵的转置矩阵（X1），接着求矩阵X与他的转置矩阵的X1的乘积（X2），然后求X2的逆矩阵。最后整合为系数矩阵W，求解后分别对应截距b、a1、和a2。可见计算一个矩阵的逆是相当耗费时间且复杂的,而且求逆也会存在数值不稳定的情况。
梯度下降法迭代的次数可能会比较多,但是相对来说计算量并不是很大。且其有收敛性保证。故在大数据量的时候,使用梯度下降法比较好。

梯度下降法

import numpy as np
from matplotlib import pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

data = np.genfromtxt('test.csv',delimiter=',')
x_data = data[:,:-1]
y_data = data[:,2]

#定义学习率、斜率、截据
#设方程为y=a1x1+a2x2+a0
lr = 0.00001
a0 = 0
a1 = 0
a2 = 0
#定义最大迭代次数，因为梯度下降法是在不断迭代更新k与b
epochs = 10000
#定义最小二乘法函数-损失函数（代价函数）
def compute_error(a0,a1,a2,x_data,y_data):
    totalerror = 0
    for i in range(0,len(x_data)):#定义一共有多少样本点
        totalerror = totalerror+(y_data[i]-(a1*x_data[i,0]+a2*x_data[i,1]+a0))**2
    return totalerror/float(len(x_data))/2
#梯度下降算法求解参数
def gradient_descent_runner(x_data,y_data,a0,a1,a2,lr,epochs):
    m = len(x_data)
    for i in range(epochs):
        a0_grad = 0
        a1_grad = 0
        a2_grad = 0
        for j in range(0,m):
            a0_grad -= (1/m)*(-(a1*x_data[j,0]+a2*x_data[j,1]+a2)+y_data[j])
            a1_grad -= (1/m)*x_data[j,0]*(-(a1*x_data[j,0]+a2*x_data[j,1]+a0)+y_data[j])
            a2_grad -= (1/m)*x_data[j,1]*(-(a1*x_data[j,0]+a2*x_data[j,1]+a0)+y_data[j])
        a0 = a0-lr * a0_grad
        a1 = a1-lr * a1_grad
        a2 = a2-lr * a2_grad
    return a0,a1,a2

#进行迭代求解
a0,a1,a2 = gradient_descent_runner(x_data,y_data,a0,a1,a2,lr,epochs)
print('结果：迭代次数：{0} 学习率：{1}之后 a0={2},a1={3},a2={4},代价函数为{5}'.format(epochs,lr,a0,a1,a2,compute_error(a0,a1,a2,x_data,y_data)))
print("多元线性回归方程为:y=",a1,"X1",a2,"X2+",a0)

#画图
ax = plt.figure().add_subplot(111,projection='3d')
ax.scatter(x_data[:,0],x_data[:,1],y_data,c='r',marker='o')
x0 = x_data[:,0]
x1 = x_data[:,1]

#生成网格矩阵
x0,x1 = np.meshgrid(x0,x1)
z = a0+a1*x0+a2*x1

#画3d图
ax.plot_surface(x0,x1,z)
ax.set_xlabel('area')
ax.set_ylabel('distance')
ax.set_zlabel("Monthly turnover")
plt.show()

结果如下：

最小二乘法

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sns
%matplotlib inline

data = np.genfromtxt("test.csv",delimiter=",") #导入.csv文件数据
X1 = data[0:10,0] #自变量1
X2 = data[0:10,1] #自变量2
Y = data[0:10,2] #因变量销售量

Y1 = np.array([Y]).T #将因变量赋值给矩阵Y1
X11 = np.array([X1]).T #为自变量系数矩阵X赋值
X22 = np.array([X2]).T
A = np.array([[1],[1],[1],[1],[1],[1],[1],[1],[1],[1]]) #创建系数矩阵
B = np.hstack((A,X11)) #将矩阵a与矩阵X11合并为矩阵b
X = np.hstack((B,X22)) #将矩阵b与矩阵X22合并为矩阵X

X7 = X.T #矩阵X的转置矩阵
X8 = np.dot(X7,X) #求矩阵X与他的转置矩阵的X7（X的转置矩阵）的乘积
X9 = np.linalg.inv(X8) #X8的逆矩阵
W = np.dot(np.dot((X9),(X7)),Y1) #求解系数矩阵W，分别对应截距b、a1、和a2
b = W[0][0]
a1 = W[1][0]
a2 = W[2][0]
print("系数a1=",a1)
print("系数a2=",a2)
print("截距为=",b)
print("多元线性回归方程为:y=",a1,"X1+",a2,"X2+",b)

#画出线性回归分析图
data1 = pd.read_excel('test.xlsx') #导入.xlsx文件数据
sns.pairplot(data1, x_vars=['area','distance'], y_vars='Y', height=3, aspect=0.8, kind='reg')  
plt.show() 
#求月销售量Y的和以及平均值y1
sumy = 0 #因变量的和
y1 = 0 #因变量的平均值
for i in range(0,len(Y)):
    sumy=sumy+Y[i]
y1=sumy/len(Y)
#求月销售额y-他的平均值的和
y_y1 = 0# y-y1的值的和
for i in range(0,len(Y)):
    y_y1 = y_y1+(Y[i]-y1)
print("销售量-销售量平均值的和为:",y_y1)
#求预测值sales1
sales1 = []
for i in range(0,len(Y)):
    sales1.append(a1*X1[i]+a2*X2[i]+b)
#求预测值的平均值y2
y2 = 0
sumy2 = 0
for i in range(len(sales1)):
    sumy2 = sumy2+sales1[i]
y2 = sumy2/len(sales1)
#求预测值-平均值的和y11_y2
y11_y2=  0
for i in range(0,len(sales1)):
   y11_y2 = y11_y2+(sales1[i]-y2)
print("预测销售值-预测销售平均值的和为:",y11_y2)
#求月销售额y-他的平均值的平方和
Syy = 0#y-y1的值的平方和
for i in range(0,len(Y)):
    Syy = Syy+((Y[i]-y1)*(Y[i]-y1))
print("Syy=",Syy)
#求y1-y1平均的平方和
Sy1y1 = 0
for i in range(0,len(sales1)):
    Sy1y1=Sy1y1+((sales1[i]-y2)*(sales1[i]-y2))
print("Sy1y1=",Sy1y1)
#（y1-y1平均）*（y-y平均）
Syy1 = 0
for i in range(0,len(sales1)):
    Syy1 = Syy1+((Y[i]-y1)*(sales1[i]-y2))
print("Syy1=",Syy1)
#求R值
R = Syy1/((Syy*Sy1y1)**0.5)
R2 = R*R
print("判定系数R2=",R2)

结果如下：