机器算法｜线性回归、逻辑回归、随机森林等介绍、实现、实例

原创

Aion

修改于 2024-01-25 09:39:57

40700

代码可运行

修改于 2024-01-25 09:39:57

文章被收录于专栏：体验社区新功能开发运维工程师体验社区新功能

运行总次数：0

代码可运行

引言

2023年人工智能的发展取得了令人瞩目的成就，不仅在技术层面取得了重大突破，也在产业应用方面展现出广阔的前景。人工智能在深度学习、自动驾驶、自然语言处理等领域取得了重大突破。在人工智能领域，机器学习是一个必不可少的核心，而机器学习又离不开算法。

什么是机器学习

机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。 ——来自百度百科。

在人工智能领域，机器学习是它的核心，是使计算机具有智能的根本途径。我们通常讲的机器算法、机器学习、机器学习算法都是同一个概念（Machine Learning），是计算机科学中的一个领域，它研究的最终目的如何从数据中学习并做出预测或决策。有许多不同类型的机器学习算法，包括线性回归、决策树、支持向量机、神经网络等。这些算法可以从数据中提取模式，并使用这些模式进行预测或分类。

机器算法有哪些

机器学习算法总体上来说，基于学习分类上可以分为三大类：监督学习、无监督学习、强化学习。基于数据形式上又可以分为两大类：结构化和非结构化。

而基本的机器学习算法大体有如下几种，其中线性回归算法、逻辑回归算法、随机森林算法为本篇重点讲解：

线性回归算法（Linear Regression）
支持向量机算法（Support Vector Machine，SVM）
最近邻居/k-近邻算法（K-Nearest Neighbors，KNN）
逻辑回归算法（Logistic Regression）
决策树算法（Decision Tree）
k-平均算法（K-Means）
随机森林算法（Random Forest）
朴素贝叶斯算法（Naive Bayes）
降维算法（Dimensional Reduction）
梯度增强算法（Gradient Boosting）

机器算法实践

Scikit-learn（以前称为scikits.learn，也称为sklearn）是针对Python 编程语言的免费软件机器学习库。所以本篇以学习为目的，简单讲解下线性回归、逻辑回归以及随机森林，有不到之处还望给予指正。

1 线性回归

1.1 线性回归简介

线性回归是一种基本的回归分析，用于预测一个因变量（目标变量）基于一个或多个自变量（特征）的值。在Python中，我们可以使用scikit-learn库中的LinearRegression类进行线性回归。线性回归算法（Linear Regression）的建模过程就是使用数据点来寻找最佳拟合线。公式，y = mx + c，其中 y 是因变量，x 是自变量，利用给定的数据集求 m 和 c 的值。

线性回归又分为两种类型，即 简单线性回归（simple linear regression)和多变量回归（multiple regression)。

简单线性回归（simple linear regression)：只有 1 个自变量；
多变量回归（multiple regression)：至少两组以上自变量。

1.2 线性回归实现逻辑

下面跟着我一起学习下线性回归吧

导入所需的库（此处的依赖库使用到了scikit-learn，暂时先这样子处理）
创建一些样本数据（此处可以读取文本或者数据库，由于限制，此处使用样例数据）
训练数据和测试数据
创建线性回归模型对象
使用训练数据拟合模型
使用模型进行预测
输出预测结果和实际结果的比较

1.3 线性回归代码示例

下面是一个简单的线性回归的示例

# 导入所需的库（暂时解决办法）  
import subprocess
import sys
subprocess.check_call([sys.executable, "-m", "pip", "install", "scikit-learn"])

# 导入所需的库
import numpy as np  
from sklearn.model_selection import train_test_split  
from sklearn.linear_model import LinearRegression  
from sklearn import metrics  
  
# 创建一些样本数据  
X = np.array([[1], [2], [3], [4], [5]])  
y = np.array([2, 4, 6, 8, 10])  
  
# 将数据集分为训练集和测试集  
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)  
  
# 创建线性回归模型对象  
model = LinearRegression()  
  
# 使用训练数据拟合模型  
model.fit(X_train, y_train)  
  
# 使用模型进行预测  
y_pred = model.predict(X_test)  
  
# 输出预测结果和实际结果的比较  
print("预测值:", y_pred)  
print("实际值:", y_test)  
print("均方误差:", metrics.mean_squared_error(y_test, y_pred))

2 逻辑回归

2.1 逻辑回归简介

逻辑回归是另一种从统计领域借鉴而来的机器学习算法，与线性回归相同，不同的是线性回归是一个开放的值，而逻辑回归更像是做一道是或不是的判断题，在二分问题上是首选方法。其次逻辑回归模型是监督分类算法族的成员之一，它的目的是找出每个输入变量的对应参数值。预测输出所用的变换是一个被称作 logistic 函数的非线性函数，Logistic 回归通过使用逻辑函数估计概率来测量因变量和自变量之间的关系。

逻辑函数中Y值的范围从 0 到 1，是一个概率值。逻辑函数通常呈S 型，曲线把图表分成两块区域，因此适合用于分类任务。它可以用公式表示为：

Y = E ^（b0＋b1 x）/（1 + E ^（b0＋b1 x ））

2.2 逻辑回归实现逻辑

下面跟着我一起学习下逻辑回归吧

导入所需的库（此处的依赖库使用到了scikit-learn，暂时先这样子处理）
获取一些样本数据（此处可以读取文本或者数据库，由于限制，此处使用第三方库自带的样本数据）
训练数据和测试数据
创建逻辑回归模型对象
使用训练数据拟合模型
使用模型进行预测
输出预测结果和实际结果的比较

2.3 逻辑回归代码示例

下面是一个简单的逻辑回归的示例

# 导入所需的库（暂时解决办法） 
import subprocess
import sys
subprocess.check_call([sys.executable, "-m", "pip", "install", "scikit-learn"])
# 导入所需的库
import numpy as np  
from sklearn.model_selection import train_test_split  
from sklearn.linear_model import LogisticRegression  
from sklearn import metrics  
from sklearn.datasets import load_iris  
  
# 获取样本数据，此处使用scikit-learn库自带数据集  
iris = load_iris()  
X = iris.data  
y = iris.target  
  
# 将数据集分为训练集和测试集  
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.9, random_state=50)   
  
# 创建逻辑回归模型对象  
model = LogisticRegression()  
  
# 使用训练数据拟合模型  
model.fit(X_train, y_train)  
  
# 使用模型进行预测  
y_pred = model.predict(X_test)  
  
# 输出预测结果和实际结果的比较  
print("预测值:", y_pred)  
print("实际值:", y_test)  
print("准确率:", metrics.accuracy_score(y_test, y_pred))

预测结果的准确度：

3 随机森林

3.1 随机森林简介

如果你把一堆树放在一起，你就得到了一片森林。我感觉这是对「随机森林算法」最好的解释。随机森林是一种集成学习算法，它通过构建多个决策树并综合它们的预测结果来提高预测精度。决策树是机器学习预测建模的一类重要算法，可以用二叉树来解释决策树模型。除了决策树，他还可以同支持向量机、朴素贝叶斯、神经网络等算法结合，来提高准确度。

优点：特征选择、鲁棒性、可解释性、预测精度提升
缺点：容易过拟合、参数敏感度高（包括对不平衡数据集处理不佳、对缺失值和无限值敏感）

3.2 随机森林实现逻辑

1、生成随机数据集：随机森林采用自助法（bootstrap）从原始数据集中随机抽取样本生成新的训练数据集。每次抽取时都会从原始数据集中有放回地随机选择一定数量的样本，这样可以保证原始数据集中的样本可能会被多次抽取到。

2、构建决策树：在每个训练数据集上，使用决策树算法（如ID3、C4.5等）构建一棵决策树。在构建决策树时，对于每个节点分裂，只考虑随机选取的一部分特征，而不是考虑所有的特征。这样可以增加模型的多样性，提高集成学习的效果。

3、集成决策树：将所有构建好的决策树的结果进行综合。对于分类问题，可以采用投票的方式，即多数投票原则，选择获得票数最多的类别作为最终的分类结果；对于回归问题，则可以将所有决策树的预测结果进行平均或取最大值、最小值等操作得到最终的预测结果。

3.3 随机森林代码示例

# 导入所需的库  
import subprocess
import sys
subprocess.check_call([sys.executable, "-m", "pip", "install", "scikit-learn"])

from sklearn.ensemble import RandomForestClassifier  
from sklearn.datasets import load_iris  
from sklearn.model_selection import train_test_split  
from sklearn.metrics import accuracy_score  
  
# 获取样本数据，此处使用scikit-learn库自带数据集  
iris = load_iris()  
X = iris.data  
y = iris.target  
  
# 将数据集分为训练集和测试集  
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.7, random_state=80)  
  
# 创建随机森林分类器对象  
clf = RandomForestClassifier(n_estimators=100, max_depth=4, random_state=80)  
  
# 使用训练数据拟合模型  
clf.fit(X_train, y_train)  
  
# 使用模型进行预测  
y_pred = clf.predict(X_test)  
  
# 输出预测结果和实际结果的比较  
print("预测值:", y_pred)  
print("实际值:", y_test)  
print("准确率:", accuracy_score(y_test, y_pred))

预测结果的准确度：