《机器学习实战》学习笔记-[11]-回归-前向逐步回归

《机器学习实战》学习笔记-[11]-回归-前向逐步回归

其他学习：你应该掌握的七种回归技术 7 Types of Regression Techniques you should know!

原理简介

参考：Stepwise regression 学习笔记 、 Stepwise regression

（1）在特征较多时，我们面临降低维度分析的问题，也就是统计学中的缩减，去掉不重要的参数，对数据进行降维，根据在特定领域中的知识或是理论假设，选择其中一些可能更有意义的变量进行后续分析。但不是任何情况下我们都掌握这些先验信息，所以基于数据本身的特征提取方法应运而生。

（2）在 stepwise regression 中，提取哪些变量主要基于的假设是：在线性条件下，哪些变量组合能够解释更多的因变量变异，则将其保留。也就是那些参数的变化会更严重的影响到因变量（这些参数对因变量是主要影响因素）

（3）逐步线性回归优点：构建一个模型后，利用本算法找出重要的特征，及时停止对不重要特征的收集

具体操作方法有三种：

• Forward selection: 首先模型中只有一个单独解释因变量变异最大的自变量，之后尝试将加入另一自变量，看加入后整个模型所能解释的因变量变异是否显著增加（这里需要进行检疫，可以用 F-test， t-test 等等）；这一过程反复迭代，直到没有自变量再符合加入模型的条件。
• Backward elimination: 与 Forward selection 相反，此时，所有变量均放入模型，之后尝试将其中一个自变量从模型中剔除，看整个模型解释因变量的变异是否有显著变化，之后将使解释量减少最少的变量剔除；此过程不断迭代，直到没有自变量符合剔除的条件。
• Bidirectional elimination: 这种方法相当于将前两种结合起来。可以想象，如果采用第一种方法，每加入一个自变量，可能会使已存在于模型中的变量单独对因变量的解释度减小，当其的作用很小（不显著）时，则可将其从模型中剔除。而第三种方法就做了这么一件事，不是一味的增加变量，而是增加一个后，对整个模型中的所有变量进行检验，剔除作用不显著的变量。最终尽可能得到一个最优的变量组合。

实现

实现的伪代码如下：

迭代numIT次，每次迭代对每个特征的系数增加或减少一个很小是值，看效果，保存本轮迭代中对因变量变化最大（使得预计值与真实值越接近）的这个特征值的系数；

比如第i个特征值的本轮wi 保存，w=[。。。。。，wi，。。。。]，以这个w进行下一轮的迭代。

代码git：gitHub

'''机器学习实战-回归'''from numpy import *def loadDataSet(fileName):      #general function to parse tab -delimited floats    numFeat = len(open(fileName).readline().split('\t')) - 1 #get number of fields    dataMat = []; labelMat = []    fr = open(fileName)    for line in fr.readlines():        lineArr =[]        curLine = line.strip().split('\t')        for i in range(numFeat):            lineArr.append(float(curLine[i]))        dataMat.append(lineArr)        labelMat.append(float(curLine[-1]))    return dataMat,labelMatdef rssError(yArr,yHatArr): #yArr and yHatArr both need to be arrays    return ((yArr-yHatArr)**2).sum()def regularize(xMat):#regularize by columns    inMat = xMat.copy()    inMeans = mean(inMat,0)   #calc mean then subtract it off    inVar = var(inMat,0)      #calc variance of Xi then divide by it    inMat = (inMat - inMeans)/inVar    return inMatdef stepWise(xArr, yArr, eps=0.01, numIt=100):    xMat = mat(xArr)    yMat = mat(yArr).T    # yMat归一化    yMean = mean(yMat, 0)    yMat = yMat - yMean    # xMat归一化    xMat = regularize(xMat)    m, n = shape(xMat)    # 返回迭代后的系数矩阵，每行为一次迭代，最后一行为本地迭代的最优    returnMat = zeros((numIt, n))    ws = zeros((n, 1))    wsTest = ws.copy()    wsMax = ws.copy()    for i in range(numIt):        print(ws.T) #打印上次迭代的结果        lowestError = inf #初识化误差        for j in range(n): #迭代n个特征            for sign in [-1,1]: #对每个特征加上或减去步进值对比效果                wsTest= ws.copy()                wsTest[j] += eps*sign                yTest = xMat*wsTest                rssErr = rssError(yMat.A,yTest.A)                if rssErr < lowestError:                    lowestError = rssErr                    wsMax = wsTest        ws = wsMax.copy()        returnMat[i,:] = ws.T    return returnMat

测试

import osfrom numpy import *import matplotlib.pyplot as plt#导入训练数据集from ML_Learn.com.ML.Regression.Regres_Stepwise import stepWiseRegresxArr, yArr = stepWiseRegres.loadDataSet(os.getcwd() + '/resource/abalone.txt')ridegeWeights = stepWiseRegres.stepWise(xArr, yArr,0.01,200)

[[ 0.  0.  0.  0.  0.  0.  0.  0.]]
[[ 0.    0.    0.    0.01  0.    0.    0.    0.  ]]
[[ 0.    0.    0.    0.02  0.    0.    0.    0.  ]]
[[ 0.    0.    0.    0.03  0.    0.    0.    0.  ]]
[[ 0.    0.    0.    0.04  0.    0.    0.    0.  ]]
[[ 0.    0.    0.    0.05  0.    0.    0.    0.  ]]
[[ 0.    0.    0.    0.06  0.    0.    0.    0.  ]]
[[ 0.    0.    0.01  0.06  0.    0.    0.    0.  ]]
[[ 0.    0.    0.01  0.06  0.    0.    0.    0.01]]

。。。。

[[ 0.05  0.    0.09  0.03  0.31 -0.64  0.    0.36]]
[[ 0.04  0.    0.09  0.03  0.31 -0.64  0.    0.36]]

以上

每次迭代中只改变一个wi 元素

最后
[[ 0.04  0.    0.09  0.03  0.31 -0.64  0.    0.36]]

可见w1和w6对目标值无影响，这两个特征值可以不需要，减少步长，增加迭代次数如0.001好5000，可以得到和最小二乘近似的结果。

【结论】

逐步线性回归优点：构建一个模型后，利用本算法找出重要的特征，及时停止对不重要特征的收集