Напишите множественную линейную регрессию с нуля
Комплексно примените матричные операции + градиентный спуск + MSE и полностью пройдите весь процесс "данные → модель → обучение → предсказание".
После изучения этого примера вы поймёте:Работающая модель машинного обучения — это по сути комбинация линейной алгебры + математического анализа + оптимизации.
Введение из жизни
Оценка цен на дома — не только площадь
Цены на дома зависят не только от площади, но и от количества спален, этажа, близости к метро, возраста здания... У каждого фактора есть свой вес.
Множественная линейная регрессия — это:Каждому фактору присваивается вес w, все факторы умножаются на свои веса и суммируются, затем добавляется базовая цена b.Затем по историческим данным о сделках выводятся эти веса — это и есть обучение.
Интуитивное понимание
Полный пятишаговый цикл машинного обучения:
X, y
X*W+b
MSE
X.T*error
W-=lr*dW
Эти пять шагов выполняются в цикле на каждой итерации, пока значение функции потерь не сойдётся. Метод fit() в PyTorch/TensorFlow внутри представляет собой именно этот цикл.
Математическое определение
\[ \hat{y} = XW + b, \quad L = \frac{1}{n}\sum(\hat{y}_i - y_i)^2 \] \[ \frac{\partial L}{\partial W} = \frac{2}{n} X^T (XW + b - y), \quad \frac{\partial L}{\partial b} = \frac{2}{n} \sum (XW + b - y) \]Практическое занятие по Python
Пример
np.random.seed(0)
class LinearRegressionFromScratch:
"""Полностью реализовано с помощью матричных операций NumPy + градиентного спуска"""
def __init__(self, lr=0.01, epochs=500):
self.lr = lr
self.epochs = epochs
self.W = None
self.b = None
self.loss_history = []
def fit(self, X, y):
n_samples, n_features = X.shape
self.W = np.zeros(n_features)
self.b = 0.0
for epoch in range(self.epochs):
y_pred = X @ self.W + self.b
error = y_pred - y
loss = np.mean(error ** 2)
self.loss_history.append(loss)
dW = (2 / n_samples) * (X.T @ error)
db = (2 / n_samples) * np.sum(error)
self.W -= self.lr * dW
self.b -= self.lr * db
if epoch % 100 == 0:
print(f"ПРИМЕР epoch {epoch:4d} loss={loss:.4f}")
def predict(self, X):
return X @ self.W + self.b
# Создание данных: y = 3*x1 - 2*x2 + 5 + noise
X = np.random.uniform(-5, 5, size=(200, 2))
true_W = np.array([3.0, -2.0])
true_b = 5.0
y = X @ true_W + true_b + np.random.randn(200) * 1.5
model = LinearRegressionFromScratch(lr=0.01, epochs=500)
model.fit(X, y)
print(f"\nПРИМЕР: выученные W={np.round(model.W, 3)}, b={round(model.b, 3)}")
print(f"Истинные: W={true_W}, b={true_b}")
print(f"Потери: {model.loss_history[0]:.1f} -> {model.loss_history[-1]:.2f}")
# Предсказать новые образцы
X_new = np.array([[1.0, 1.0], [-2.0, 3.0]])
print(f"Предсказание: {np.round(model.predict(X_new), 2)}")
EXAMPLE epoch 0 loss=157.0828 EXAMPLE epoch 100 loss=2.6062 EXAMPLE epoch 200 loss=2.3077 EXAMPLE epoch 300 loss=2.2581 EXAMPLE epoch 400 loss=2.2475 EXAMPLE 学到的: W=[ 3.014 -2.017], b=4.737 真实的: W=[ 3. -2.], b=5.0 损失: 157.1 -> 2.25 预测: [5.73 -4.18]
Сценарии применения в ИИ
| Сценарий | Связь с этим случаем |
|---|---|
| Базовая модель | Первой версией модели для любой задачи регрессии должна быть линейная регрессия — простая и интерпретируемая |
| Последний слой нейронной сети | У многих сетей выходной слой — линейный слой, по сути линейная регрессия |
| Анализ важности признаков | После обучения посмотрите на величину W — признаки с большими абсолютными значениями сильнее влияют на результат |