知识卡片
线性回归代码与相关系数评估
最小二乘与正规方程在代码里是同一回归的两种求法。数据导入函数逐行按制表符切分文件,把首列放入 X、末列放入 Y;绘图函数先画散点,再按拟合出的 a、b 画回归线。手工求解时用 NumPy 的 vdot 计算 x、y 离均差的乘积和 sumXY,用 sum(power(dX,2)) 计算平方和 SqX,于是斜率 a=sumXY/SqX、截距 b=meanY−a·meanX。正规方程版本则构造首列为 1 的矩阵 Xmat,先算 xTx=Xmat.T·Xmat,行列式非零才有逆,再用 ws=xTx.I·(Xmat.T·Ymat) 得到系数。两种算法输出一致,评估也共用一套:用 corrcoef 把预测列与真实 Y 列比较,相关系数绝对值越接近 1,拟合越好。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第7章 预测的技术与哲学 · 查看原书依据
我们使用最小二乘的预测结果与实际的Y列进行比较,两列之间的相关性越高说明拟合的效果越好,反之越差。 yHat = plotscatter(Xmat[:,1],Ymat,ws[1,0],ws[0,0],plt) # 返回预测值 # 计算相关系数 print corrcoef(yHat,Ymat.T)
参考来源
- 位置:《机器学习算法原理与编程实践》第7章 预测的技术与哲学(源文件:extracted/机器学习算法原理与编程实践/_epub-src/OEBPS/text00025.html)
- 结论依据:原文给出 loadDataSet、plotscatter、vdot、power 等求斜率截距的代码,以及用 corrcoef 比较预测与真实 Y 的评估做法,支撑这段实现说明。
- 原始内容:我们使用最小二乘的预测结果与实际的Y列进行比较,两列之间的相关性越高说明拟合的效果越好,反之越差。 yHat = plotscatter(Xmat[:,1],Ymat,ws[1,0],ws[0,0],plt) # 返回预测值 # 计算相关系数 print corrcoef(yHat,Ymat.T)