用scikit-learn和pandas學習線性回歸

　　　　　　對于想深入了解線性回歸的童鞋，這里給出一個完整的例子，詳細學完這個例子，對用scikit-learn來運行線性回歸，評估模型不會有什么問題了。

1. 獲取數據，定義問題

　　　　沒有數據，當然沒法研究機器學習啦。:) 這里我們用UCI大學公開的機器學習數據來跑線性回歸。

　　　　數據的介紹在這： http://archive.ics.uci.edu/ml/datasets/Combined+Cycle+Power+Plant

　　　　數據的下載地址在這： http://archive.ics.uci.edu/ml/machine-learning-databases/00294/

　　　　里面是一個循環發電場的數據，共有9568個樣本數據，每個數據有5列，分別是:AT（溫度）, V（壓力）, AP（濕度）, RH（壓強）, PE（輸出電力)。我們不用糾結于每項具體的意思。

　　　　我們的問題是得到一個線性的關系，對應PE是樣本輸出，而AT/V/AP/RH這4個是樣本特征， 機器學習的目的就是得到一個線性回歸模型，即:

　　　　PE=θ0+θ1AT+θ2V+θ3AP+θ4RHPE=θ0+θ1AT+θ2V+θ3AP+θ4RH

　　　　而需要學習的，就是θ0,θ1,θ2,θ3,θ4θ0,θ1,θ2,θ3,θ4這5個參數。

2. 整理數據

　　　　下載后的數據可以發現是一個壓縮文件，解壓后可以看到里面有一個xlsx文件，我們先用excel把它打開，接著“另存為“”csv格式，保存下來，后面我們就用這個csv來運行線性回歸。

　　　　打開這個csv可以發現數據已經整理好，沒有非法數據，因此不需要做預處理。但是這些數據并沒有歸一化，也就是轉化為均值0，方差1的格式。也不用我們搞，后面scikit-learn在線性回歸時會先幫我們把歸一化搞定。

　　　　好了，有了這個csv格式的數據，我們就可以大干一場了。

3. 用pandas來讀取數據

　　　　我們先打開ipython notebook,新建一個notebook。當然也可以直接在python的交互式命令行里面輸入，不過還是推薦用notebook。下面的例子和輸出我都是在notebook里面跑的。

　　　　先把要導入的庫聲明了：

import matplotlib.pyplot as plt
%matplotlib inlineimport numpy as npimport pandas as pdfrom sklearn import datasets, linear_model

　　　　接著我們就可以用pandas讀取數據了：

# read_csv里面的參數是csv在你電腦上的路徑，此處csv文件放在notebook運行目錄下面的CCPP目錄里data = pd.read_csv('.\CCPP\ccpp.csv')

　　　　測試下讀取數據是否成功：

#讀取前五行數據，如果是最后五行，用data.tail()data.head()

　　　　運行結果應該如下，看到下面的數據，說明pandas讀取數據成功：

4. 準備運行算法的數據

　　　　我們看看數據的維度：

data.shape

　　　　結果是(9568, 5)。說明我們有9568個樣本，每個樣本有5列。

　　　　現在我們開始準備樣本特征X，我們用AT， V，AP和RH這4個列作為樣本特征。

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

　　　　可以看到X的前五條輸出如下：

　　　　接著我們準備樣本輸出y， 我們用PE作為樣本輸出。

y = data[['PE']]
y.head()

　　　　可以看到y的前五條輸出如下：

5. 劃分訓練集和測試集

　　　　我們把X和y的樣本組合劃分成兩部分，一部分是訓練集，一部分是測試集，代碼如下：

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

　　　　查看下訓練集和測試集的維度：

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

　　　　結果如下：

(7176, 4)
(7176, 1)
(2392, 4)
(2392, 1)　　　　

　　　

6. 運行scikit-learn的線性模型

　　　　終于到了臨門一腳了，我們可以用scikit-learn的線性模型來擬合我們的問題了。scikit-learn的線性回歸算法使用的是最小二乘法來實現的。代碼如下：

from sklearn.linear_model import LinearRegression
linreg = LinearRegression()
linreg.fit(X_train, y_train)

　　　　擬合完畢后，我們看看我們的需要的模型系數結果：

print linreg.intercept_print linreg.coef_

　　　　輸出如下：

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

　　　　這樣我們就得到了在步驟1里面需要求得的5個值。也就是說PE和其他4個變量的關系如下：

　　　　PE=447.062970991.97376045AT0.23229086V+0.0693515AP0.15806957RHPE=447.062970991.97376045AT0.23229086V+0.0693515AP0.15806957RH　　　　

7. 模型評價

　　　　我們需要評估我們的模型的好壞程度，對于線性回歸來說，我們一般用均方差（Mean Squared Error, MSE）或者均方根差(Root Mean Squared Error, RMSE)在測試集上的表現來評價模型的好壞。

　　　　我們看看我們的模型的MSE和RMSE，代碼如下：

#模型擬合測試集y_pred = linreg.predict(X_test)from sklearn import metrics# 用scikit-learn計算MSEprint "MSE:",metrics.mean_squared_error(y_test, y_pred)# 用scikit-learn計算RMSEprint "RMSE:",np.sqrt(metrics.mean_squared_error(y_test, y_pred))

　　　　輸出如下：

MSE: 20.0804012021
RMSE: 4.48111606657

　　　　得到了MSE或者RMSE，如果我們用其他方法得到了不同的系數，需要選擇模型時，就用MSE小的時候對應的參數。

　　　　比如這次我們用AT， V，AP這3個列作為樣本特征。不要RH， 輸出仍然是PE。代碼如下：

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)#模型擬合測試集y_pred = linreg.predict(X_test)from sklearn import metrics# 用scikit-learn計算MSEprint "MSE:",metrics.mean_squared_error(y_test, y_pred)# 用scikit-learn計算RMSEprint "RMSE:",np.sqrt(metrics.mean_squared_error(y_test, y_pred))

　　　　　輸出如下：

MSE: 23.2089074701
RMSE: 4.81756239919

　　　　可以看出，去掉RH后，模型擬合的沒有加上RH的好，MSE變大了。

8. 交叉驗證

　　　　我們可以通過交叉驗證來持續優化模型，代碼如下，我們采用10折交叉驗證，即cross_val_predict中的cv參數為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計算MSEprint "MSE:",metrics.mean_squared_error(y, predicted)# 用scikit-learn計算RMSEprint "RMSE:",np.sqrt(metrics.mean_squared_error(y, predicted))

 　　　　輸出如下：

MSE: 20.7955974619
RMSE: 4.56021901469

　　　　可以看出，采用交叉驗證模型的MSE比第6節的大，主要原因是我們這里是對所有折的樣本做測試集對應的預測值的MSE，而第6節僅僅對25%的測試集做了MSE。兩者的先決條件并不同。

9. 畫圖觀察結果

　　　　這里畫圖真實值和預測值的變化關系，離中間的直線y=x直接越近的點代表預測損失越低。代碼如下：

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()

　　　　輸出的圖像如下:

　　  以上就是用scikit-learn和pandas學習線性回歸的過程，希望可以對初學者有所幫助。
　　　　

（歡迎轉載，轉載請注明出處。歡迎溝通交流： pinard.liu@ericsson.com）