多元线性回归求解过程 解析解求解
一、总结
一句话总结：
a、多元线性回归求解过程 解析解求解得到的表达式是θ=(X.T*X)^(-1) * (X.T*X)，这样就可以求的ax+b中的a
b、核心代码：theta_best = np.linalg.inv(X_b.T.dot(X_b)).dot(X_b.T).dot(y)
#构建y和x的关系。 np.random.randn(100,1)是构建的符合高斯分布（正态分布）的100行一列的随机数。相当于给每个y增加列一个波动值。 y= 4 + 3 * X + np.random.randn(100,1) #解析解求theta到最优解 theta_best = np.linalg.inv(X_b.T.dot(X_b)).dot(X_b.T).dot(y) print(theta_best) [[3.98485975] [2.86232606]]
1、解析解是什么？
解析解就是指通过公式就可以求得到方程的解。我们只需要方程的参数带入到公式中，计算公式结果就可以得到方程的解，而不用一步一步化简求解。
2、获取机器学习测试数据的方式（生成角度）？
可以生成随机数据：例如 y= 4 + 3 * X + np.random.randn(100,1)
二、多元线性回归求解过程 解析解求解
转自或参考：多元线性回归求解过程 解析解求解
https://blog.csdn.net/weixin_39445556/article/details/83543945
多元线性回归常用的求解方法有两种：
1-解析解求解法
2-梯度下降法求解
本章我们来看多元线性回归的解析解求解法。
解析解求解法
说到解析解求解，很多同学都已经忘记了什么事解析解。解析解就是指通过公式就可以求得到方程的解。我们只需要方程的参数带入到公式中，计算公式结果就可以得到方程的解，而不用一步一步化简求解。比如我们初中学的一元二次方程的解细节是
。是不是豁然开朗，原来就是你小子。
想要用解析解来求解最小二乘函数，那我们首先得知道他的解析解是啥。
a.求得最小二乘公式的解析解。
这里要用到上一章讲到的知识点，求一个函数在某一点上的导数，就是求在这个函数的图像上，过这一点所做切线的斜率。这一点的导函数就是切线的函数。一个二次函数的图像是一个抛物线，那想想一下，通过图像的顶点所做的切线是一条怎样的直线。应该是一条与x轴平行的直线，此时这条直线的斜率为0.函数图像的顶点就是函数的解，也就是说，我们通过函数的解这一点来做切线，切线的斜率就是0.
那我们反过来利用一下刚刚总结出的结论。如果我找到了函数图像上切线为0的点，是不是找到了函数的解？切线是什么？对函数上某一点求导就等于通过这一点在函数图像上做切线，作出的切线就是求导得到的导函数的图像，切线的函数就是对函数求导所得到的导函数，那我们只要找到导函数为0对点，是不是就得到了图像的解？（这一段一定要理解。多读几遍）
所以，我们可以通过对最小二乘函数求导，让导函数为0时的结果，就是最小二乘的解。求导过程如下：
首先对最小二乘进行变形，变为矩阵表达形式：
展开矩阵函数：
展开之后我们对J(θ)求导并令导数等于0：
最终求的解析解为：θ=
2-解析解的代码实现
手动实现：
import numpy as np
import matplotlib.pyplot as plt
from bz2 import __author__
#设置随机种子
seed = np.random.seed(100)
#构造一个100行1列到矩阵。矩阵数值生成用rand，得到到数字是0-1到均匀分布到小数。
X = 2 * np.random.rand(100,1) #最终得到到是0-2均匀分布到小数组成到100行1列到矩阵。这一步构建列X1(训练集数据)
#构建y和x的关系。 np.random.randn(100,1)是构建的符合高斯分布（正态分布）的100行一列的随机数。相当于给每个y增加列一个波动值。
y= 4 + 3 * X + np.random.randn(100,1)
#将两个矩阵组合成一个矩阵。得到的X_b是100行2列的矩阵。其中第一列全都是1.
X_b = np.c_[np.ones((100,1)),X]
#解析解求theta到最优解
theta_best = np.linalg.inv(X_b.T.dot(X_b)).dot(X_b.T).dot(y)
# print(theta_best)
# 生成两个新的数据点,得到的是两个x1的值
X_new = np.array([[0],[2]])
# 填充x0的值，两个1
X_new_b = np.c_[(np.ones((2,1))),X_new]
print (X_new_b)
# 用求得的theata和构建的预测点X_new_b相乘，得到yhat
y_predice = X_new_b.dot(theta_best)
print(y_predice)
# 画出预测函数的图像，r-表示为用红色的线
plt.plot(X_new,y_predice,'r-')
# 画出已知数据X和掺杂了误差的y，用蓝色的点表示
plt.plot(X,y,'b.')
# 建立坐标轴
plt.axis([0,2,0,15,])
plt.show()
利用sklearn包实现
from sklearn.linear_model import LinearRegression
import numpy as np
import matplotlib.pyplot as plt
# 解析解求线性回归
# 手动构建数据集和y与x的对应关系
x = 2 * np.random.rand(100,1)
y= 4 + 3*x + np.random.randn(100,1)
line_reg = LinearRegression()
# 训练数据集,训练完成后，参数会保存在对象line_reg中。
line_reg.fit(x,y)
# line_reg.intercept为截距，就是w0，line_reg.coef_为其他参数，coef的全拼为coefficient
print(line_reg.intercept_,line_reg.coef_)
x_new = np.array([[0],[2]])
# line_reg.predict(x_new) 为预测结果
print(line_reg.predict(x_new))
plt.plot(x_new,line_reg.predict(x_new),'r-')
# 画出已知数据X和掺杂了误差的y，用蓝色的点表示
plt.plot(x,y,'b.')
# 建立坐标轴
plt.axis([0,2,0,15,])
plt.show()运行结果如下：
如果有的同学想要运行代码，需要安装pycharm和anaconda，将python的interrupt设置为anaconda的bin目录下的python就可以了。网上有很多教程，请原谅这里不再赘述了。
此处需要说明，因为在使用解析解求解最小二乘的过程中，出现了矩阵求逆的步骤。因为有些矩阵没有逆矩阵，只能使用近似矩阵来代替，所以结果的精度会降低。二则矩阵求逆随着维度的增加，计算量也大大增加，求解速度变慢。所以一般情况下我们都会使用第二种求解办法：梯度下降。