【机器学习】多项式回归原理介绍

在上一节中我们介绍了线性回归的原理,然后分别用python和sklearn实现了不同变量个数的线性回归的几个例子。线性回归模型形式简单,有很好的可解释性,但是它只适用于X和y之间存在线性关系的数据集。对于非线性关系的数据集,线性回归不能很好的工作。因此本文介绍线性回归模型的扩展——「多项式回归」,我们可以用它来拟合非线性关系的数据集。

假设我们有一个单变量数据集,如下图。

为了观察它们之间的关系,我们用 matplotlib 画出散点图。

【机器学习】多项式回归原理介绍

从图中看,它们有点像在一条直线上,但仔细看更像是在一个抛物线上。

首先我们假设它们满足线性关系,使用线性回归模型得到的结果如下图中黄线所示。

【机器学习】多项式回归原理介绍

看起来似乎还可以,但是来看看误差,太大了。

【机器学习】多项式回归原理介绍

下面我们试试用抛物线拟合它们。

线性回归可以通过从系数构造多项式的特征来扩展。为了使推导过程更具有代表性,我们先以一个双变量的为例,然后再看我们上面的单变量的例子。

双变量线性回归模型形如下面式子:

【机器学习】多项式回归原理介绍

通过结合二阶多项式的特征,添加二次方项,将它从平面转换为抛物面:

【机器学习】多项式回归原理介绍

用z替换x:

所以,我们的式子可以写成:

这样就变为线性回归模型。

同理,我们的数据集是单变量的,转换后的式子为:

【机器学习】多项式回归原理介绍

计算结果如图。

【机器学习】多项式回归原理介绍

线性回归得到的模型为:

【机器学习】多项式回归原理介绍

多项式回归得到的模型为:

两个模型如下图所示。

【机器学习】多项式回归原理介绍

可以看出多项式回归模型的效果(绿线)要明显好于线性回归模型(黄线)。

更高阶的同理。

 

 

【机器学习】多项式回归原理介绍

内容版权声明:除非注明,否则皆为本站原创文章。

转载注明出处:https://www.heiqu.com/wssfgy.html