多元線性回歸的特點(diǎn)是什么

何為多元線性回歸？對(duì)比于前一天學(xué)習(xí)的線性回歸，多元線性回歸的特點(diǎn)是什么？

多元線性回歸與簡(jiǎn)單線性回歸一樣，都是嘗試通過(guò)使用一個(gè)方程式來(lái)適配數(shù)據(jù)，得出相應(yīng)結(jié)果。不同的是，多元線性回歸方程，適配的是兩個(gè)及以上的特征（即X1、X2、...），而簡(jiǎn)單線性回歸一般只有一個(gè)特征（X）。

另外，與簡(jiǎn)單線性回歸相比，多元線性回歸有一個(gè)顯著的特點(diǎn)，即能拿到每個(gè)特征的權(quán)重，這樣你能知道哪些因素對(duì)結(jié)果的影響最大。

請(qǐng)注意多元線性回歸的以下4個(gè)前提：

1.線性：自變量和因變量的關(guān)系應(yīng)該大致呈線性的。
2.呈現(xiàn)多元正態(tài)分布。
3.保持誤差項(xiàng)的方差齊性（誤差項(xiàng)方差必須等同）。
4.缺少多重共線性。

第一、二點(diǎn)比較好理解，第三、四點(diǎn)需要詳細(xì)地講一下：

第三點(diǎn)，保持誤差項(xiàng)的方差齊性的意義 : 首先，明確什么叫誤差項(xiàng)？誤差項(xiàng)也可以叫隨機(jī)誤差項(xiàng)，一般包括：

1)模型中省略的對(duì)被解釋變量（Y）不重要的影響因素 (解釋變量（X）)；
2)解釋變量（X）和被解釋變量（Y）的觀測(cè)誤差；
3)經(jīng)濟(jì)系統(tǒng)中無(wú)法控制、不易度量的隨機(jī)因素。

再確定什么叫 方差齊性 ：顧名思義，方差相等。與什么東西的方差呢？這里需要引入殘差的概念：殘差，即預(yù)測(cè)值和真實(shí)值之間的差值。而方差齊性，指的就是滿足隨機(jī)分布的殘差，如下圖所示：

如何判斷數(shù)據(jù)是否滿足方差齊性呢？精確的判斷是很難做到的，我們可以通過(guò)上圖繪制X值與殘差的關(guān)系來(lái)大致估計(jì)，也可以用一個(gè)巧妙的方法： 對(duì)殘差做簡(jiǎn)單線性回歸，如果得到的直線大致平行于X軸，則說(shuō)明滿足方差齊性 。

這種觀察自變量與殘差之間是否存在線性關(guān)系（BP法）或非線性關(guān)系（White檢驗(yàn)）是較為常用的兩種方差齊性檢驗(yàn)的方法。

第四點(diǎn)，缺少多重共線性的意義 ：根據(jù)回歸分析的結(jié)果，一般而言我們能發(fā)現(xiàn)自變量X1、X2、... 等因素對(duì)Y的影響。但是存在一種情況：如果各個(gè)自變量x之間有很強(qiáng)的線性關(guān)系，就無(wú)法固定其他變量，也就找不到x和y之間真實(shí)的關(guān)系了，這就叫做多重共線性。

有多種方法可以檢測(cè)多重共線性，較常使用的是回歸分析中的VIF值（方差膨脹因子），VIF值越大，多重共線性越嚴(yán)重。VIF怎么計(jì)算？ VIF=1/(1-R^2) , 其中R^2是樣本可決系數(shù)。樣本可決系數(shù)怎么計(jì)算？答案是通過(guò)殘差，這里有詳細(xì)的計(jì)算方法：

一般認(rèn)為VIF大于10時(shí)（嚴(yán)格是5），代表模型存在嚴(yán)重的共線性問(wèn)題。

講了這么多理論知識(shí)，大家可能覺得比較枯燥，但是實(shí)際上本文最難的也就是這些理論知識(shí)，希望大家能好好消化。下面正式開始實(shí)操部分。

1.準(zhǔn)****備

開始之前，你要確保Python和pip已經(jīng)成功安裝在電腦上，如果沒有，請(qǐng)?jiān)L問(wèn)這篇文章：超詳細(xì)Python安裝指南 進(jìn)行安裝。

如果你用Python的目的是數(shù)據(jù)分析，可以直接安裝Anaconda：Python數(shù)據(jù)分析與挖掘好幫手—Anaconda，它內(nèi)置了Python和pip.

此外，推薦大家用VSCode編輯器，因?yàn)樗性S多許多的優(yōu)點(diǎn)：Python 編程的最好搭檔—VSCode 詳細(xì)指南。

準(zhǔn)備輸入命令安裝依賴，如果你沒有VSCode編輯器，Windows環(huán)境下打開 Cmd (開始-運(yùn)行-CMD)，蘋果系統(tǒng)環(huán)境下請(qǐng)打開 Terminal (command+空格輸入Terminal)，如果你用的是VSCode編輯器或Pycharm，可以直接在下方的Terminal中輸入命令：

pip install pandas
pip install numpy
pip install matplotlib
pip install scikit-learn

本篇文章使用的50_Startups.csv文件，由研發(fā)開銷、管理開銷、市場(chǎng)開銷、州和利潤(rùn)五列數(shù)據(jù)組成。

本文源代碼和數(shù)據(jù)文件，可以關(guān)注Python實(shí)用寶典公眾號(hào)，后臺(tái)回復(fù)：**機(jī)器學(xué)習(xí)3 **下載。

2.數(shù)據(jù)預(yù)處理

導(dǎo)入庫(kù)

import pandas as pd
import numpy as np

導(dǎo)入數(shù)據(jù)集

最后一列利潤(rùn)為Y值，其他均為X值。

dataset = pd.read_csv('50_Startups.csv')
X = dataset.iloc[:, :-1].values
Y = dataset.iloc[:, 4].values

將類別數(shù)據(jù)數(shù)字化

將“州”這一列數(shù)字化。

from sklearn.preprocessing import LabelEncoder, OneHotEncoder
labelencoder = LabelEncoder()
X[:, 3] = labelencoder.fit_transform(X[:, 3])
# 一共有3個(gè)州
onehotencoder = OneHotEncoder(categorical_features=[3])
X = onehotencoder.fit_transform(X).toarray()

躲避虛擬變量陷阱

原始數(shù)據(jù)如下：

在我們對(duì)“州”這列變量進(jìn)行數(shù)字化后，會(huì)在前面出現(xiàn)三列one_hot變量，每一列代表一個(gè)州。

這就出現(xiàn)虛擬變量陷阱了，比如第一列我們能通過(guò)另外兩列的值得到：如果2、3列為0，第1列肯定為1，如果2、3列存在不為0的值，則第1列肯定為1。

因此，這里第一列沒有使用的必要。

X = X[: , 1:]

拆分?jǐn)?shù)據(jù)集為訓(xùn)練集和測(cè)試集

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 = 0)

3. 訓(xùn)練模型

與簡(jiǎn)單線性回歸一樣，使用LinearRegression即可實(shí)現(xiàn)多元線性回歸（sklearn已經(jīng)幫你處理好多元的情況）。

from sklearn.linear_model import LinearRegression
regressor = LinearRegression()
regressor.fit(X_train, Y_train)

4. 預(yù)測(cè)結(jié)果

一行搞定：

y_pred = regressor.predict(X_test)
print("real:", Y_test)
print("predict:", y_pred)

看看效果：

畫個(gè)圖看看對(duì)比效果：

map_index = list(range(len(Y_test)))
plt.scatter(map_index, Y_test, color='red')
plt.plot(map_index, y_pred, color='blue')
plt.show()

藍(lán)色的線是預(yù)測(cè)值，紅色的點(diǎn)是真實(shí)的值，可以看到預(yù)測(cè)效果還是不錯(cuò)的。