原理
相较于简单线性回归，多元线性回归仅仅是特征数从一变成了多，其他的基本上没有变化
-
注意行为样本，列为特征
X矩阵的排列示意 -
基于多元线性回归，对某一个样本X（i）,如图
多元线性回归
相较于简单线性回归，其横坐标仍然是X（i）但从单个数值变成了一行数值，也就是一个1*n(n为特征数)的矩阵
-
我们注意到方程和简单线性回归一样，有一个常数，所以我们不妨添加一行X（i=0）
1 -
改变之后，我们注意到，这时y_hat与x和seata的关系关系
-
目标不变，仍为使预测值与数据值相差更小，这时我们使用矩阵的表示形式
目标
这时我们可以推导出seata的表达式，推导过程这里省略
- seata的这个表达式被称为正规方程解
- 注意，假设最初X数据为mn的矩阵，这时Xb为mn+1，seata为n+1*1的矩阵（其实一般而言是不区分Xb和X的）
利用正规方程进行实现
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
boston=datasets.load_boston()
#波士顿房产数据
x=boston.data
y=boston.target
x=x[y<np.max(y)]
y=y[y<np.max(y)]
from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.2,random_state=666)
#实际上这里size默认是0.2
#下面开始训练线性回归模型
X_b = np.hstack([np.ones((len(x_train), 1)), x_train])
theta = np.linalg.inv(X_b.T.dot(X_b)).dot(X_b.T).dot(y_train)
intercept_ = theta[0]#返回截距
coef = theta[1:]#返回theta向量
xtest_b=np.hstack([np.ones((len(x_test), 1)), x_test])
y_predict=xtest_b.dot(theta)
mse_test=np.sum((y_predict-y_test)**2)/len(y_test)
rsquared=mse_test/np.var(y_test)
其中可也得到截距等参数如图
结果
使用sklearn进行多元线性回归
同样的例子，完全使用sklearn进行编写，这时候我们要注意到，它并没有采用正规化方程的方法，但由于我们是不用知道其底层究竟是如何封装的，所以目前尽管使用就是
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
boston=datasets.load_boston()
#波士顿房产数据
x=boston.data
y=boston.target
x=x[y<np.max(y)]
y=y[y<np.max(y)]
from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.2,random_state=666)
#实际上这里size默认是0.2
#下面开始训练线性回归模型
from sklearn.linear_model import LinearRegression
Lin_reg=LinearRegression()
Lin_reg.fit(x_train,y_train)
Lin_reg.score(x_test,y_test)
得到结果
总结
其实在学习的课程里面，关于多元线性回归还有一些对于可解释性等的思考与介绍，有利于我们对于现实模型的理解，这里我不是很想赘述，因为可能我们学习ml，更多用到的可能是后面复杂一些的算法，另外可解释性也是很容易理解的，在实际上手数据之后，相必我们拿到预测结果自己也能有所分析！！！所以内容暂且写到这里吧，以后还有想要增加的内容，我也会自行增加！
