当前位置：首页 > article >正文

用deepseek学大模型05-线性回归

article 2026/4/19 18:18:06

deepseek.com:多元线性回归的目标函数，损失函数，梯度下降标量和矩阵形式的数学推导，pytorch真实能跑的代码案例以及模型,数据，预测结果的可视化展示，模型应用场景和优缺点，及如何改进解决及改进方法数据推导。

一、数学推导

1. 模型定义

输入：
- 样本数 $n$ ，特征数 $m$ 。
- 特征矩阵 $\in \mathbb{R}^{n \times (m+1)}$ （含截距项全1列）。
- 参数向量 $\beta = [\beta_0, \beta_1, \dots, \beta_m]^T \in \mathbb{R}^{(m+1) \times 1}$ 。
预测值：
$\hat{y} = X \beta \quad \text{或标量形式} \quad \hat{y}_i = \beta_0 + \sum_{j=1}^m \beta_j x_{ij}$

2. 目标函数与损失函数

目标：最小化预测值与真实值的平方误差。
损失函数（MSE）：
$L(\beta) = \frac{1}{2n} \sum_{i=1}^n (\hat{y}_i - y_i)^2 = \frac{1}{2n} \| X \beta - y \|_2^2$
- 系数 $\frac{1}{2n}$ ：简化梯度计算，避免平方项导数的系数干扰。

3. 梯度下降推导

标量形式

对每个参数 $\beta_j$ 求偏导：

截距项 $\beta_0$ ：
$\frac{\partial L}{\partial \beta_0} = \frac{1}{n} \sum_{i=1}^n (\hat{y}_i - y_i)$
特征权重 $\beta_j$ （ $\geq 1$ )：
$\frac{\partial L}{\partial \beta_j} = \frac{1}{n} \sum_{i=1}^n (\hat{y}_i - y_i) x_{ij}$

矩阵形式

利用矩阵微分法则：
$\nabla_\beta L = \frac{1}{n} X^T (X \beta - y)$

推导过程：
$L(\beta) = \frac{1}{2n} (X \beta - y)^T (X \beta - y) \implies \frac{\partial L}{\partial \beta} = \frac{1}{n} X^T (X \beta - y)$

梯度下降更新公式

$\beta^{(t+1)} = \beta^{(t)} - \eta \nabla_\beta L = \beta^{(t)} - \frac{\eta}{n} X^T (X \beta^{(t)} - y)$

学习率 $\eta$ ：控制参数更新步长。

二、应用场景

连续值预测：
- 房价预测、销售额预测、股票价格趋势分析。
因果关系分析：
- 研究广告投入与销量的量化关系。
基线模型：
- 作为复杂模型（如神经网络）的性能对比基准。

三、优缺点及解决方法

优点

简单高效：计算复杂度低（( O(nm) ) 每轮梯度下降）。
可解释性强：参数直接反映特征对目标的影响程度。
闭式解存在：当 $X^T X$ 可逆时，可直接求解 $\beta = (X^T X)^{-1} X^T y$ 。

缺点及解决方法

缺点	解决方法
线性假设限制	引入多项式特征或使用非线性模型（如决策树、神经网络）。
多重共线性	正则化（岭回归、Lasso）、主成分分析（PCA）降维。
对异常值敏感	使用鲁棒损失函数（Huber损失）、数据清洗或加权最小二乘法。
异方差性（方差不均）	加权回归、Box-Cox变换稳定方差。
特征维度高时不稳定	正则化、逐步回归、特征选择（如基于p值或AIC准则）。

改进方法与数学推导

1. 正则化（Ridge 回归）

目标函数：
$\frac{1}{2m} \|Xw - y\|^2 + \lambda \|w\|^2$

梯度更新：
$\nabla_w L = \frac{1}{m} X^T (Xw - y) + \frac{2\lambda}{m} w$

PyTorch 实现：

optimizer = torch.optim.SGD(model.parameters(), lr=0.1, weight_decay=1.0)  # weight_decay 对应 λ

2. 数据预处理

标准化：使特征均值为 0，方差为 1，加速收敛。
异常值处理：使用 IQR 或 Z-Score 过滤离群点。

3. 特征工程

多项式扩展：将 $x_1, x_2$ 扩展为 $x_1^2, x_2^2, x_1x_2$ 等，再用线性回归。

数学形式：
$\hat{y} = w_1 x_1 + w_2 x_2 + w_3 x_1^2 + w_4 x_2^2 + w_5 x_1x_2 + b$

四、关键公式总结

内容	标量形式	矩阵形式
预测值	$\hat{y}_i = \beta_0 + \beta_1 x_{i1} + \dots + \beta_m x_{im}$	$\hat{y} = X \beta$
损失函数	$\frac{1}{2n} \sum_{i=1}^n (\hat{y}_i - y_i)^2$	$\frac{1}{2n} \\| X \beta - y \\|_2^2$
梯度	$\frac{\partial L}{\partial \beta_j} = \frac{1}{n} \sum_{i=1}^n (\hat{y}_i - y_i) x_{ij}$	$\nabla_\beta L = \frac{1}{n} X^T (X \beta - y)$

五、实际应用示例

房价预测：
- 特征：房屋面积、卧室数量、地理位置。
- 输出：房价。
- 方法：通过梯度下降拟合参数，预测新样本价格。
广告效果分析：
- 特征：电视、网络、报纸广告投入。
- 输出：销售额增长。
- 结论：参数正负性指示广告渠道的有效性。

六、扩展：正则化改进

岭回归（L2正则化）：
$L(\beta) = \frac{1}{2n} \| X \beta - y \|_2^2 + \lambda \| \beta \|_2^2$
- 解决多重共线性，防止过拟合。
Lasso（L1正则化）：
$L(\beta) = \frac{1}{2n} \| X \beta - y \|_2^2 + \lambda \| \beta \|_1$
- 自动特征选择，稀疏解。

完整代码示例

import torch
import torch.nn as nn
import torch.optim as optim
import matplotlib.pyplot as plt# 生成随机数据
n_samples = 100
n_features = 2
X = torch.randn(n_samples, n_features)
true_w = torch.tensor([[3.0], [4.0]])
true_b = torch.tensor([2.0])
y = X @ true_w + true_b + torch.randn(n_samples, 1) * 0.1# 定义模型
class LinearRegression(nn.Module):def __init__(self, input_dim, output_dim):super(LinearRegression, self).__init__()self.linear = nn.Linear(input_dim, output_dim)def forward(self, x):return self.linear(x)model = LinearRegression(n_features, 1)# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)# 训练模型
n_epochs = 1000
losses = []  # 初始化一个空列表来存储损失值for epoch in range(n_epochs):# 前向传播y_pred = model(X)# 计算损失loss = criterion(y_pred, y)losses.append(loss.item())  # 将损失值添加到列表中# 反向传播和优化optimizer.zero_grad()loss.backward()optimizer.step()if (epoch+1) % 100 == 0:print(f'Epoch [{epoch+1}/{n_epochs}], Loss: {loss.item():.4f}')# 可视化损失函数
plt.plot(losses)  # 绘制损失函数随训练轮数的变化
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.title('Training Loss')
plt.savefig("lr.png")
plt.show()

七、总结

多元线性回归是机器学习的基石模型，优势在于简单性和可解释性，但受限于线性假设。实际应用中需结合数据预处理、正则化或非线性扩展方法以提升性能。矩阵形式计算高效，适合编程实现；标量形式便于理解梯度下降的微观机制。