王立友

摘要：隨著科學(xué)技術(shù)的不斷進(jìn)步，以深度學(xué)習(xí)為代表的人工智能技術(shù)應(yīng)用逐步走入人們的視野。從車牌、人臉、語音的識(shí)別到推薦系統(tǒng)及自動(dòng)駕駛，人工智能技術(shù)的應(yīng)用越來越貼近人們的日常生活，給予人們極好的切身體驗(yàn)。得益于大數(shù)據(jù)的迅猛發(fā)展、計(jì)算能力的增強(qiáng)、學(xué)習(xí)算法的成熟，越來越多的人開始關(guān)注這個(gè)“全新”的研究領(lǐng)域：深度學(xué)習(xí)。深度學(xué)習(xí)（Deep Learning）隸屬于機(jī)器學(xué)習(xí)（ Machine Learning）領(lǐng)域范疇。深度學(xué)習(xí)以神經(jīng)網(wǎng)絡(luò)為主要模型，探索學(xué)習(xí)樣本的內(nèi)在表現(xiàn)規(guī)律。在學(xué)習(xí)過程中，獲得文本、圖像和音頻等數(shù)據(jù)的解釋信息。其終極目標(biāo)是利用計(jì)算機(jī)模擬人的大腦進(jìn)行工作，擁有自主分析學(xué)習(xí)能力，精準(zhǔn)地識(shí)別音頻、文本、圖像等數(shù)據(jù)信息。深度學(xué)習(xí)是一個(gè)復(fù)雜的機(jī)器學(xué)習(xí)算法，該文將利用 Python 語言對(duì)深度學(xué)習(xí)中的線性回歸最小二乘法的設(shè)計(jì)與實(shí)現(xiàn)做進(jìn)一步探討，希望讓許多深度學(xué)習(xí)的初學(xué)者和愛好者對(duì)深度學(xué)習(xí)有一個(gè)最簡(jiǎn)單明了的認(rèn)知。

關(guān)鍵詞：深度學(xué)習(xí);Python;線性回歸;最小二乘法

中圖分類號(hào)：TP391 ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2021）35-0123-02

1 深度學(xué)習(xí)概述

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)極為重要分支，深度學(xué)習(xí)基于人工神經(jīng)網(wǎng)絡(luò)的研究[1]。組合若干低層特征，以便于生成更高層次的表征屬性特征，發(fā)現(xiàn)數(shù)據(jù)的分布式特征表述。其本質(zhì)是對(duì)數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的相關(guān)算法。例如描述圖像的觀測(cè)值過程中，能夠采用多種不同的形式進(jìn)行表述。如使用像素強(qiáng)度值向量表示;又或抽象為多條邊、特定形狀區(qū)域等。近年來監(jiān)督式深度學(xué)習(xí)算法（以反饋算法訓(xùn)練 CNN、LSTM 等）獲得了空前的成功，而基于半監(jiān)督或無監(jiān)督的算法（如 DBM、DBN）仍處在研究階段并已獲得不錯(cuò)的進(jìn)展。

探索深度學(xué)習(xí)的初衷，在于建立模擬人腦的神經(jīng)系統(tǒng)，進(jìn)行數(shù)據(jù)的分析和學(xué)習(xí)。它參照人腦神經(jīng)工作模式來解釋數(shù)據(jù)[2-3]，例如識(shí)別圖像、聲音、文本等。 上述信息的輸入和輸出會(huì)形成一對(duì)一的映射模式 ，其中的計(jì)算問題則利用一個(gè)流向圖（flow graph）來闡述。圖中各節(jié)點(diǎn)（node）均為一個(gè)基本計(jì)算單元，計(jì)算結(jié)果被應(yīng)用到該節(jié)點(diǎn)的子節(jié)點(diǎn)的值。進(jìn)而形成一個(gè)計(jì)算集合，被允許在各節(jié)點(diǎn)和可能的圖結(jié)構(gòu)里。其中，輸入節(jié)點(diǎn)無前繼節(jié)點(diǎn)，輸出節(jié)點(diǎn)無后續(xù)節(jié)點(diǎn)。該流向圖的一個(gè)特別屬性是深度（depth）：從一個(gè)輸入到一個(gè)輸出的最長(zhǎng)路徑的長(zhǎng)度（含多個(gè)隱層的深度學(xué)習(xí)模型如圖1 所示）。

2 線性回歸及最小二乘法

2.1 線性回歸

線性回歸是指在現(xiàn)有數(shù)據(jù)集上構(gòu)建一個(gè)線性模型，以便于擬合這個(gè)數(shù)據(jù)集特征向量中多個(gè)分量之間的關(guān)系[4]?？梢酝ㄟ^已經(jīng)擬合好的線性模型來預(yù)測(cè)“新數(shù)據(jù)”的預(yù)期結(jié)果。二維線性模型為一條直線，三維的則是一個(gè)平面。目前，關(guān)于線性回歸的算法實(shí)現(xiàn)，最小二乘法是應(yīng)用最為廣泛的算法之一[5]。對(duì)于數(shù)據(jù)集，利用線性模型來擬合其數(shù)據(jù)關(guān)系，相對(duì)于一維或多維數(shù)據(jù)，均可通過構(gòu)建線性模型的方法來實(shí)現(xiàn)。例如，房子估價(jià)問題：當(dāng)已知房子的面積、臥室數(shù)量和房屋價(jià)格之間的關(guān)系時(shí)，在得知一個(gè)新的房子信息后，如何進(jìn)行預(yù)測(cè)，進(jìn)而得到對(duì)應(yīng)新房子的價(jià)格，假設(shè)面積用[x1]表示，臥室數(shù)量用[x2]表示，則房屋價(jià)格[h（x）]是關(guān)于面積與臥室數(shù)量的一次線性方程：

[h（x）=hθ（x）=θ0+θ1x1+θ2x2]

該線性模型僅包含兩個(gè)特征分量：面積和臥室數(shù)量。而大多數(shù)情況下，擬合的模型可能含有若干個(gè)特征分量，那么線性模型中對(duì)應(yīng)的權(quán)重值[θ]同樣需要相同的量?？梢允褂镁仃囅蛄縼磉M(jìn)行表示：[hθ=θTX]。

2.2 最小二乘法

向量[θ]（長(zhǎng)度為[n]）中所有的分量都是預(yù)測(cè)表達(dá)式函數(shù)[h（x）]中相對(duì)應(yīng)參數(shù)，矩陣[X（m*n）]構(gòu)成了數(shù)據(jù)集中所有樣本特征向量所組成的矩陣。數(shù)據(jù)集中的實(shí)際值使用向量[Y]（長(zhǎng)度為[m]）表示，若通過實(shí)際值來構(gòu)建方程組，參數(shù)向量[θ]中的對(duì)應(yīng)值即為我們所求未知量。通常狀況下，設(shè)定一個(gè)超定方程組（無確定解），只能求出超定方程組的最優(yōu)解。利用構(gòu)建相應(yīng)的損失函數(shù)權(quán)衡估值和實(shí)際值之間的誤差，將最小誤差損失函數(shù)作為約束條件求出參數(shù)向量最優(yōu)解。函數(shù)[J（θ）]即為損失函數(shù)，它計(jì)算出數(shù)據(jù)集中每一個(gè)樣例的估值和實(shí)際值的平方差并求取平均，即最小二乘法。最小二乘法經(jīng)數(shù)學(xué)推導(dǎo)最終得到一個(gè)標(biāo)準(zhǔn)方程，該方程的解即為最優(yōu)的參數(shù)向量。即：

[J（θ）=12i=1m（hθ（x（i））-y（i））2]

3 線性回歸最小二乘法的Python程序?qū)崿F(xiàn)

3.1 實(shí)驗(yàn)數(shù)據(jù)來源

本文實(shí)驗(yàn)數(shù)據(jù)來源于互聯(lián)網(wǎng)上的網(wǎng)絡(luò)資源。數(shù)據(jù)主要內(nèi)容為：某大城市用戶一天的用電時(shí)間、用電功率。編寫Python程序，以便實(shí)現(xiàn)輸出用戶用電時(shí)間和用電功率之間的線性關(guān)系的真實(shí)值和采用線性回歸最小二乘法的預(yù)測(cè)值，并對(duì)兩者之間進(jìn)行比對(duì)。

3.2 程序?qū)崿F(xiàn)

編寫主程序并運(yùn)行，實(shí)現(xiàn)線性回歸最小二乘法，具體實(shí)現(xiàn)的主要代碼如下：

from sklearn.linear_model import LinearRegression ?# 導(dǎo)入線性回歸模型

from sklearn.model_selection import train_test_split ?# 導(dǎo)入訓(xùn)練測(cè)試集

from sklearn.preprocessing import StandardScaler ? ?# 導(dǎo)入數(shù)據(jù)標(biāo)準(zhǔn)化

import numpy as np

import pandas as pd

import matplotlib as mpl

import matplotlib.pyplot as plt

import time

path1 = 'datas/household_power_consumption.txt' #實(shí)驗(yàn)數(shù)據(jù)所在路徑

df = pd.read_csv（path1， sep=';'， low_memory=False）

# 異常數(shù)據(jù)的處理

new_df = df.replace（'？'， np.nan）

datas = new_df.dropna（axis=0， how='any'）

Y = datas['Global_active_power'] # 提取Y的實(shí)際值

def data_format（dt）：#格式化時(shí)間數(shù)據(jù)

t = time.strptime（' '.join（dt）， '%d/%m/%Y %H：%M：%S'） # 合并第一列和第二列中X的對(duì)應(yīng)值，將t轉(zhuǎn)化為時(shí)間元組，并格式化t

return t.tm_year， t.tm_mon， t.tm_mday， t.tm_hour， t.tm_min， t.tm_sec

X = datas.iloc[：， 0：2] # 利用索引提取第一列和第二列的X的值

X = X.apply（lambda x： pd.Series（data_format（x））， axis=1）

# 對(duì)數(shù)據(jù)集進(jìn)行測(cè)試、訓(xùn)練集劃分，X： 特征矩陣（類型一般為DataFrame）

# Y： 特征對(duì)應(yīng)的Label標(biāo)簽或目標(biāo)屬性（類型一般為Series）

X_train， X_test， Y_train， Y_test = train_test_split（X， Y， test_size=0.2， random_state=0）

ss = StandardScaler（）

X_train = ss.fit_transform（X_train） ?# 標(biāo)準(zhǔn)化

X_test = ss.transform（X_test）

lr = LinearRegression（fit_intercept=True） ?# fit 模型訓(xùn)練

lr.fit（X_train， Y_train） ?# 對(duì)模型進(jìn)行訓(xùn)練

y_predict = lr.predict（X_test）

print（'訓(xùn)練集上的R^2：'， lr.score（X_train， Y_train））

print（'測(cè)試集上的R^2：'， lr.score（X_test， Y_test））

mse = np.average（（y_predict - Y_test） ** 2）

rmse = np.sqrt（mse）

print（'rmse：'， rmse）

print（'模型訓(xùn)練后的系數(shù)：'， end=''）

print（lr.coef_）

print（'模型訓(xùn)練后的截距：'， end=''）

print（lr.intercept_）

t = np.arange（len（X_test））

plt.figure（facecolor='w'）

plt.plot（t， Y_test， 'r-'， linewidth=2， label='真實(shí)值'）

plt.plot（t， y_predict， 'g-'， linewidth=2， label='預(yù)測(cè)值'）

plt.legend（loc='upper left'）

plt.title（'線性回歸預(yù)測(cè)時(shí)間和功率之間的關(guān)系'， fontsize=20）

plt.grid（b=True）

plt.show（） #顯示時(shí)間和功率的真實(shí)值與預(yù)測(cè)值圖表

4 結(jié)束語

本研究利用Python程序?qū)崿F(xiàn)了線性回歸最小二乘算法，預(yù)測(cè)值與真實(shí)值之間存在一定的差異，希望在以后的研究中逐步改進(jìn)現(xiàn)有算法，爭(zhēng)取獲得更好的實(shí)驗(yàn)效果。

參考文獻(xiàn)：

[1] 汪飛.基于人工智能下深度學(xué)習(xí)的現(xiàn)狀及趨勢(shì)研究[J].電腦迷，2018（10）：140-141.

[2] 王梓橋，劉沛豐，郝峰，等.基于深度學(xué)習(xí)的手寫數(shù)字識(shí)別技術(shù)應(yīng)用[J].數(shù)字技術(shù)與應(yīng)用，2018，36（11）：78-79.

[3] 史聰慧.基于深度學(xué)習(xí)的智能參考咨詢服務(wù)模式[J].電腦知識(shí)與技術(shù)，2020，16（3）：205-206，229.

[4] 李嚴(yán)明.基于機(jī)器學(xué)習(xí)的氣象因素對(duì)小麥產(chǎn)量影響的分析預(yù)測(cè)[D].鄭州：河南農(nóng)業(yè)大學(xué)，2019.

[5] 羅潤(rùn)林，阮懷寧，朱昌星.基于粒子群-最小二乘法的巖石流變模型參數(shù)反演[J].遼寧工程技術(shù)大學(xué)學(xué)報(bào)（自然科學(xué)版），2009，28（5）：750-753.

【通聯(lián)編輯：謝媛媛】