machine learning ： 最小二乘法之线性函数 --- python实现

最小二乘法 之 线性函数模型

原理可见https://zh.wikipedia.org/wiki/%E6%9C%80%E5%B0%8F%E4%BA%8C%E4%B9%98%E6%B3%95

链接需要科学上网（2015.10），

实现阶段有多种方法，本文采用维基百科最后介绍的广义逆矩阵的方法计算。

即输入矩阵的广义逆矩阵{点乘}输出矩阵 ，运算结果既为求解的 参数矩阵。

需要用到的函数为 pinv ，matlab中pinv(X) , python中numpy库中有此函数，即 ： np.linalg.pinv

code：

#Global Varsglobal params#train functiondef train(train_x , train_y):global paramspinv = np.linalg.pinv(train_x)  # cacul the pseudo-inverse matrixparams = np.dot( pinv , train_y ) # figure out the paramsprint('The params:')print(params)

np.linalg.pinv求得train_x的广义逆矩阵 pinv ， pinv 点乘 train_y 即得参数矩阵 params

以上即为训练过程。

随后可以进行回归：  即将测试数据的x矩阵点乘参数矩阵 ，可得模型得到的输出。

code

#test functiondef test(test_x , test_y , result_path):global paramsrs = open(result_path , 'w')regressValue = np.dot(test_x,params)print('The regress value of test data:')print(regressValue)print('-------------------------------------------------------')print('The errors:')err = regressValue - test_yprint(err)print('The RMSE(root mean squared error) is:')MRSE  =  math.sqrt(np.sum(np.square(err)) / regressValue.size)print(MRSE)print('-------------------------------------------------------')

回归完成以后，可以通过MRSE（root mean squared error）观察回归效果。

源代码传送门（python）：http://download.csdn.net/detail/zzukun/9210049