R语言数据分析系列之七
—— by comaple.zhang
回归分析建模是数据分析里面很重要的一个应用之一,即通过使用已有的自变量的值建立某种关系,来预测未知变量(因变量)的值。如果因变量是连续的那就是回归分析,如果因变量为离散的,可以理解为是分类。在机器学习算法中,不管是连续变量预测还是离散的变量预测,我们都称之为有监督学习。
回归分析可以用来做广告点击率预测也可以用来做销量预测,app各种指标预测,或者库存量,分仓铺货预测等。既然如此神奇,那么我们就来看一下回归是如何做到的。
数据集
我们本节利用women数据集,做一些简单的预测。
一元线性回归分析
输入:一元自变量x,一元因变量y,寻找y与x的关系,
线性模型假设:
模型误差:
目标:找到参数w和b使得误差平方和最小即
方法:最小二乘法,为了求得w,b使得上式成立,我们可以对参数求偏导数,令偏导数等于零,来求解。
在R语言里面线性回归可以用lm函数来拟合数据集,假如我们要预测女性身高对体重的影响,那么可以建模为简单地线性模型即:weight = w * height + b用R语言来实现很简单如下:
fit <- lm(formula = weight ~ height,data = women) summary(fit) Call: lm(formula = weight ~ height, data = women)
Residuals:
Min 1Q Median 3Q Max
-1.7333 -1.1333 -0.3833 0.7417 3.1167
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -87.51667 5.93694 -14.74 1.71e-09 ***
height 3.45000 0.09114 37.85 1.09e-14 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’1
Residual standard error: 1.525 on 13degrees of freedom
Multiple R-squared: 0.991, AdjustedR-squared: 0.9903
F-statistic: 1433 on 1 and 13 DF, p-value: 1.091e-14
在summary的结果中我们可以看到,Intercept截距为b的值,height即为w的值
结果验证:
有了这个模型是否适合呢,或者适合的程度有多大,我们从summary的结果可以分析得到,首先是Residual standard error,值得是预测结果和实际值得残差的均方值即RMSE该值越小证明模型越好,AdjustedR-squared:该值为r方值,也就是自变量与因变量的相关程度,可理解为模型对数据集的解释程度,p-value: 该值为T检验,一般认为<0.005时模型参数通过检验。
我们通过绘图直观的观察一下:
plot(women$height,women$weight,main='简单线性回归',family='STKaiti') lines(women$height,fitted(fit),col=’red’)
多项式回归分析
输入:多元回归的输入为一个向量,即X是一组变量
而对应的参数W也应该是一个向量
回归模型假设为:
我们可以把模型化简:
于是模型简化为:
模型误差:
目标:通过学习找到一个向量使得模型误差的平方和最小,即模型的损失函数如下
下面我的目标就是要优化这个W向量使得我们的损失函数最小化。我们可以进行矩阵运算,对w求偏导数,并令结果等于0,通过推到整理我们可以得到如下结果:
这样我们只通过矩阵运算来求得W向量的值。
下面基于R来实现一个简单的多远回归,在R中已经实现了一个最小二乘法的回归模型,我们一样还是直接调用即可,我们依然采用women数据集,并将weight变量做平方变换,即模型公式为:
R语言实现:
fit2 <- lm(weight ~height+I(height^2),data=women) plot(women$height,women$weight,main='多项式回归,weight= height + height^2',family='STKaiti') lines(women$height,fitted(fit2),col=’red’) summary(fit2)
Call:
lm(formula = weight ~ height + I(height^2),data = women)
Residuals:
Min 1Q Median 3Q Max
-0.50941 -0.29611 -0.00941 0.28615 0.59706
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 261.87818 25.19677 10.393 2.36e-07 ***
height -7.34832 0.77769 -9.449 6.58e-07 ***
I(height^2) 0.08306 0.00598 13.891 9.32e-09 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’1
Residual standard error: 0.3841 on 12degrees of freedom
Multiple R-squared: 0.9995, AdjustedR-squared: 0.9994
F-statistic: 1.139e+04 on 2 and 12 DF, p-value: < 2.2e-16
从结果我们可以看出,RMSE减少到0.38残差均方值变小,R方值变大0.999更好的拟合了真是数据,Pr(>|t|)该值是对应参数的T检验,明显小于0.005各参数均通过检验。最后上图如下: