机器学习的最实际应用涉及目标结果所依赖的多个功能。类似地，在回归分析问题中，有时目标结果取决于众多功能。多元线性回归是解决此类问题的一种可行解决方案。在本文中，我将讨论多元（多种功能）线性回归，从头开始的Python实现，在实际问题上的应用和性能分析。
由于它是一种“线性”回归技术，因此在假设的框架中将仅采用每个特征的线性项。令x_1，x_2，…x_n为目标结果所依赖的要素。然后，关于多元线性回归的假设：
其中theta_0，theta_1，theta_2，theta_3，…。，theta_n是参数
同样，上述假设也可以根据矢量代数重新构建：
还有一个与假设相关的成本函数（或损失函数），取决于参数theta_0，theta_1，theta_2，…，theta_n。
这里的成本函数与多项式回归[1]的情况相同。
因此，这些参数theta_0，theta_1，theta_2，...，theta_n必须采用这样的值，对于这些值，成本函数（或简称为cost）达到其可能的最小值。换句话说，必须找出成本函数的最小值。
在这种情况下，批梯度下降可以用作优化策略。
使用批量梯度下降实现多元线性回归：
通过创建3个模块来完成实施，每个模块用于在培训过程中执行不同的操作。
=> hypothesis（）：给定theta（theta_0，theta_1，theta_2，theta_3，…。，theta_n），矩阵中的特征，尺寸为[m X的X]，它是用于计算和输出目标变量的假设值的函数（n + 1）]，其中m是样本数，n是特征数。下面给出了hypothesis（）的实现：
def hypothesis(theta, X, n):
h = np.ones((X.shape[0],1))
theta = theta.reshape(1,n+1)
for i in range(0,X.shape[0]):
h[i] = float(np.matmul(theta, X[i]))
h = h.reshape(X.shape[0])
return h
=> BGD（）：该函数执行批量梯度下降算法，并采用theta的当前值（theta_0，theta_1，…，theta_n），学习率（alpha），迭代次数（num_iters），假设值列表所有样本（h），特征集（X），目标变量集（y）和特征数（n）作为输入，并输出优化的theta（theta_0，theta_1，theta_2，theta_3，…，theta_n）以及成本历史记录或包含所有迭代中成本函数值的成本。BGD（）的实现如下：
def BGD(theta, alpha, num_iters, h, X, y, n):
cost = np.ones(num_iters)
for i in range(0,num_iters):
theta[0] = theta[0] - (alpha/X.shape[0]) * sum(h - y)
for j in range(1,n+1):
theta[j] = theta[j] - (alpha/X.shape[0]) * sum((h-y) * X.transpose()[j])
h = hypothesis(theta, X, n)
cost[i] = (1/X.shape[0]) * 0.5 * sum(np.square(h - y))
theta = theta.reshape(1,n+1)
return theta, cost
=> linear_regression（）：它是主要函数，将特征矩阵（X），目标变量矢量（y），学习率（alpha）和迭代次数（num_iters）作为输入，并输出最终的优化theta，即成本函数在批次梯度下降之后几乎达到最小值的[ theta_0，theta_1，theta_2，theta_3，….theta_n ] 值，以及cost，它存储每次迭代的成本值。
def linear_regression(X, y, alpha, num_iters):
n = X.shape[1]
one_column = np.ones((X.shape[0],1))
X = np.concatenate((one_column, X), axis = 1)
# initializing the parameter vector...
theta = np.zeros(n+1)
# hypothesis calculation....
h = hypothesis(theta, X, n)
# returning the optimized parameters by Gradient Descent...
theta, cost = BGD(theta,alpha,num_iters,h,X,y,n)
return theta, cost
问题陈述：“ 给定房屋的大小和卧室的数量，分析并预测房屋的可能价格”
数据读入Numpy数组：
data = np.loadtxt('data1.txt', delimiter=',')
X_train = data[:,[,1]]
y_train = data[:,2]
特征归一化或特征缩放：
这涉及缩放特征以进行快速有效的计算。
标准功能缩放策略 （主要用来处理量纲）
其中u是均值，sigma是标准差：
功能缩放的实现：
mean = np.ones(X_train.shape[1])
std = np.ones(X_train.shape[1])
for i in range(0, X_train.shape[1]):
mean[i] = np.mean(X_train.transpose()[i])
std[i] = np.std(X_train.transpose()[i])
for j in range(0,X_train.shape[0]):
X_train[j][i] = (X_train[j][i] - mean[i])/std[i]
这里，
- “房屋大小（以平方英尺为单位）”或F1：2000.6808
- “卧房数”或F2的平均值：3.1702
- F1的标准偏差：7.86202619e + 02
- F2的标准偏差：7.52842809e-01
＃调用与主要功能learning_rate = 0.0001和
＃num_iters = 300000
theta, cost = linear_regression(X_train, y_train, 0.0001, 30000)
多元线性回归后的theta
在逐批迭代的批次梯度下降过程中降低了成本。借助“线曲线”可以显示成本的降低。
将matplotlib.pyplot导入为plt
cost = list(cost)
n_iterations = [x for x in range(1,30001)]
plt.plot(n_iterations, cost)
plt.xlabel('No. of iterations')
plt.ylabel('Cost')
