多元线性回归

83 次浏览	2次

在上一篇文章中，我们探讨了简单线性回归，它帮助我们理解了一个特征（自变量）如何影响一个目标（因变量）。然而，现实世界中的问题往往更加复杂。例如，预测房价时，我们不能只看房屋面积，还需要考虑卧室数量、地理位置、房龄等多个因素。这时，我们就需要多元线性回归。

简单来说，多元线性回归是简单线性回归的自然延伸，它允许我们同时分析多个自变量对一个因变量的影响。本文将带你从零开始，全面理解多元线性回归的核心概念、数学原理、实现方法以及实际应用。

一、什么是多元线性回归？

1.1 核心概念

多元线性回归是一种用于建立多个自变量（也叫特征、解释变量）与一个连续型因变量（也叫目标、响应变量）之间线性关系的统计方法。

一个生动的比喻：想象你是一位大厨，正在调试一道汤的味道（目标）。简单线性回归就像你只通过加盐量来调整咸淡。而多元线性回归则像你同时控制盐、糖、辣椒、酱油等多种调料（特征）的用量，来综合决定汤的最终口味。多元回归让你能分析每种调料对味道的具体贡献。

1.2 模型公式

多元线性回归模型的数学表达式如下：

y = β₀ + β₁x₁ + β₂x₂ + ... + βₙxₙ + ε

让我们拆解这个公式中的每个部分：

符号	名称	含义
y	因变量	我们想要预测的目标值（如：房价）。
x₁, x₂, ..., xₙ	自变量	用于预测 y 的特征（如：面积、卧室数、房龄）。
β₀	截距项	当所有自变量都为 0 时， y 的预测基准值。
β₁, β₂, ..., βₙ	回归系数	每个自变量 xᵢ 的权重。它表示：在其他特征不变的情况下， xᵢ 每增加 1 个单位， y 平均变化 βᵢ 个单位。这是多元回归分析的核心。
ε	误差项	模型无法解释的随机波动（如：测量误差、未知因素）。

公式解读示例：假设我们预测房价( y )的模型是：房价 = 50000 + 3000 * 面积 + 10000 * 卧室数 - 2000 * 房龄

β₀ = 50000 ：理论上，面积为 0、卧室为 0、房龄为 0 的"房子"基准价。
β₁ = 3000 ：在卧室数和房龄相同的情况下，面积每增加 1 平米，房价平均上涨 3000 元。
β₂ = 10000 ：在面积和房龄相同的情况下，多一间卧室，房价平均上涨 10000 元。
β₃ = -2000 ：在面积和卧室数相同的情况下，房龄每增加一年，房价平均下降 2000 元。

二、如何"训练"一个多元线性回归模型？

"训练"模型，本质上是根据我们已有的数据，找到一组最优的回归系数 (β₀, β₁, ..., βₙ) ，使得模型的预测值尽可能接近真实值。这个过程通常通过最小二乘法来完成。

2.1 目标：最小化损失函数

我们使用残差平方和作为损失函数，来衡量模型的预测误差。 RSS = Σ(yᵢ - ŷᵢ)² 其中， yᵢ 是第 i 个真实值， ŷᵢ 是模型对第 i 个样本的预测值。

训练目标就是找到一组系数，使得 RSS 的值达到最小。

2.2 求解过程（矩阵形式）

当特征数量很多时，使用矩阵运算能更高效地表示和求解。模型可以写成： Y = Xβ + ε 其中：

Y 是包含所有目标值的列向量。
X 是设计矩阵，第一列通常全为 1（对应截距项 β₀ ），后续每一列对应一个特征。
β 是包含所有回归系数的列向量。
ε 是误差项向量。

通过最小二乘法推导，可以得到系数 β 的最优解（闭合解）为： β = (XᵀX)⁻¹XᵀY 这个公式在理论上非常完美，但在实际编程中，我们通常使用数值优化库（如 scikit-learn ）来高效、稳定地计算，它会自动处理矩阵求逆等复杂操作。

三、使用 Python 实现多元线性回归

让我们通过一个完整的例子，使用流行的机器学习库 scikit-learn 来构建一个多元线性回归模型。

3.1 环境准备与数据加载

首先，确保安装了必要的库，并加载一个示例数据集。

实例

# 导入必要的库
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score
from sklearn.datasets import fetch_california_housing # 一个经典的多变量数据集

# 加载加州房价数据集
california = fetch_california_housing()
df = pd.DataFrame(california.data, columns=california.feature_names)
df['MedHouseVal'] = california.target # 添加目标列：房屋中位数价格

print("数据集形状:", df.shape)
print("\n前5行数据:")
print(df.head())
print("\n特征说明:")
print(california.DESCR[:500]) # 打印部分描述

3.2 数据探索与预处理

在建模前，了解数据的基本情况至关重要。

实例

# 1. 查看数据基本信息
print(df.info())
print("\n基本统计描述:")
print(df.describe())

# 2. 划分特征(X)和目标(y)
X = df.drop('MedHouseVal', axis=1) # 特征矩阵：包含除房价外的所有列
y = df['MedHouseVal'] # 目标向量：房价

# 3. 划分训练集和测试集（70%训练，30%测试）
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
print(f"\n训练集样本数: {X_train.shape[0]}, 测试集样本数: {X_test.shape[0]}")

3.3 创建、训练与评估模型

现在，我们创建线性回归模型，用训练数据"拟合"它，并在测试集上评估其性能。

实例

# 1. 创建模型实例
model = LinearRegression()

# 2. 训练模型（拟合数据）
model.fit(X_train, y_train)

# 3. 使用训练好的模型进行预测
y_train_pred = model.predict(X_train)
y_test_pred = model.predict(X_test)

# 4. 评估模型性能
# 均方误差 (MSE) - 越小越好
train_mse = mean_squared_error(y_train, y_train_pred)
test_mse = mean_squared_error(y_test, y_test_pred)

# 决定系数 (R²) - 越接近1越好，表示模型解释力越强
train_r2 = r2_score(y_train, y_train_pred)
test_r2 = r2_score(y_test, y_test_pred)

print("=== 模型性能评估 ===")
print(f"训练集 MSE: {train_mse:.4f}, R²: {train_r2:.4f}")
print(f"测试集 MSE: {test_mse:.4f}, R²: {test_r2:.4f}")

# 5. 查看学到的模型参数
print("\n=== 模型参数 ===")
print(f"截距 (β₀): {model.intercept_:.4f}")
print("回归系数 (β₁, β₂, ...):")
for feature, coef in zip(X.columns, model.coef_):
print(f" {feature}: {coef:.4f}")

3.4 解读结果与可视化

理解系数和评估指标的含义。

实例

# 可视化：真实值 vs 预测值 (测试集)
plt.figure(figsize=(8, 6))
plt.scatter(y_test, y_test_pred, alpha=0.5)
plt.plot([y.min(), y.max()], [y.min(), y.max()], 'r--', lw=2) # 绘制理想对角线
plt.xlabel('真实房价')
plt.ylabel('预测房价')
plt.title('多元线性回归：真实值 vs 预测值（测试集）')
plt.grid(True, linestyle='--', alpha=0.7)
plt.show()

# 可视化：特征重要性（通过系数绝对值大小近似表示）
features = X.columns
coefs = model.coef_
plt.figure(figsize=(10, 6))
bars = plt.barh(features, np.abs(coefs)) # 使用绝对值比较影响大小
plt.xlabel('回归系数绝对值')
plt.title('特征对房价的影响大小（基于系数绝对值）')
# 为条形图添加数值标签
for bar, coef in zip(bars, coefs):
width = bar.get_width()
plt.text(width + 0.01, bar.get_y() + bar.get_height()/2, f'{coef:.4f}', va='center')
plt.grid(True, axis='x', linestyle='--', alpha=0.7)
plt.tight_layout()
plt.show()

四、多元线性回归的注意事项与挑战

4.1 关键假设

线性回归模型的有效性建立在几个统计假设之上：

线性关系：自变量与因变量之间存在线性关系。
独立性：观测值之间相互独立。
同方差性：误差项的方差在所有观测中保持恒定。
正态性：误差项服从正态分布。
无多重共线性：自变量之间不应存在高度相关性。

4.2 常见挑战与应对

挑战	描述	可能后果	应对方法
多重共线性	特征之间高度相关。	系数估计不稳定，难以解释单个特征的影响。	1. 使用相关性矩阵检查并移除高相关特征。 2. 使用主成分分析(PCA)降维。 3. 使用正则化方法（如岭回归）。
过拟合	模型过于复杂，完美拟合训练数据噪声，在测试集上表现差。	测试集误差远大于训练集误差。	1. 收集更多数据。 2. 使用更少的特征（特征选择）。 3. 使用正则化。
非线性关系	数据关系本质是非线性的。	模型预测能力差，R² 值低。	1. 对特征进行变换（如多项式特征、对数变换）。 2. 使用非线性模型（如决策树、神经网络）。

五、动手练习：巩固你的理解

现在，轮到你动手实践了！请按顺序完成以下练习，以巩固对多元线性回归的理解。

练习 1：模型解读

使用上面代码输出的模型系数，回答以下问题：

哪个特征对加州房价的正向影响最大？（根据系数值判断）
哪个特征对加州房价有负向影响？
如何解释 AveRooms （平均房间数）的系数？请用一句完整的话描述。

练习 2：诊断多重共线性

计算特征 X 的相关性矩阵（ df.corr() ）。
找出相关性绝对值大于 0.7 的特征对。它们可能存在多重共线性。
（选做）尝试从模型中移除其中一个高相关特征，重新训练，观察系数和 R² 分数如何变化。

练习 3：尝试新数据集

从 sklearn.datasets 中加载另一个回归数据集，如 load_diabetes （糖尿病数据集）。
重复本文中的建模步骤：数据探索、划分、训练、评估、可视化。
对比两个数据集上模型的性能，思考可能的原因。

83 次浏览	2次

< 首页

< 下一页