机器学习入门：线性回归详解及Scikit-learn API使用指南

一、线性回归概述

线性回归是统计学和机器学习领域中最基础、最广泛应用的预测建模技术之一。自19世纪初由弗朗西斯·高尔顿(Francis Galton)首次提出以来，线性回归已成为数据分析的核心工具，在经济学、社会科学、生物统计学、工程学等众多领域发挥着重要作用。

1.1 线性回归的本质与价值

线性回归的核心思想是通过建立自变量（解释变量）与因变量（响应变量）之间的线性关系模型，来理解和预测数据的变化规律。这种方法的强大之处在于：

解释性强：模型参数具有直观的统计意义，便于理解变量间的关系
计算高效：相比复杂模型，线性回归的计算成本低，适合大规模数据集
基础性强：是理解更复杂机器学习算法的基础
可扩展性：可以通过各种扩展处理非线性关系

在实际应用中，线性回归常用于：

销售预测（根据历史数据预测未来销售额）
房价评估（基于房屋特征预测市场价格）
经济分析（研究GDP与失业率的关系）
医学研究（分析药物剂量与疗效的关系）

1.2 线性回归的数学本质

从数学角度看，线性回归解决的是一个优化问题：寻找一组参数（系数），使得模型预测值与实际观测值之间的差异（通常用平方误差表示）最小化。这种方法称为普通最小二乘法(OLS)。

对于简单线性回归（单变量），数学表达式为：

对于多元线性回归（多变量），表达式扩展为：

其中：

y：因变量（我们想要预测的值）
x/x₁,x₂,...xₙ：自变量（用于预测的特征）
β₀：截距项（当所有自变量为0时y的值）
β₁,β₂,...βₙ：回归系数（每个自变量对y的影响程度）
ε：误差项（模型无法解释的随机波动）

1.3 线性关系的深入理解

线性回归中的"线性"有两层含义：

变量线性：因变量与自变量呈直线关系
参数线性：因变量与回归系数呈线性关系

值得注意的是，线性回归可以处理非线性关系，只要这种非线性关系可以通过变量转换变为参数线性形式。例如：

多项式关系：y = β₀ + β₁x + β₂x²
对数关系：ln(y) = β₀ + β₁x
交互作用：y = β₀ + β₁x₁ + β₂x₂ + β₃x₁x₂

1.4 线性回归的统计假设

为了保证线性回归模型的有效性和推断的可靠性，经典线性回归模型基于以下统计假设：

线性关系假设：因变量与自变量之间存在真实的线性关系
独立性假设：观测值之间相互独立（特别针对时间序列数据）
同方差性：误差项的方差应保持恒定（不随预测值变化而变化）
正态性假设：误差项服从正态分布（对于大样本相对宽松）
无多重共线性：自变量之间不应存在高度相关性
无自相关：误差项之间不应存在相关性（针对时间序列）

当这些假设被违反时，可能导致：

系数估计不准确
标准误差计算错误
统计检验失效
预测结果不可靠

1.5 线性回归的变体与扩展

根据不同的数据特性和问题需求，线性回归有多种扩展形式：

加权最小二乘法(WLS)：处理异方差性问题
广义最小二乘法(GLS)：处理自相关问题
岭回归(Ridge Regression)：通过L2正则化处理多重共线性
Lasso回归：通过L1正则化实现特征选择
弹性网络(Elastic Net)：结合L1和L2正则化的优势
稳健回归(Robust Regression)：降低异常值影响
分位数回归(Quantile Regression)：研究条件分位数关系

1.6 线性回归的工作流程

一个完整的线性回归分析通常包括以下步骤：

问题定义：明确分析目标和变量选择
数据收集：获取相关变量的观测数据
数据探索：检查数据质量、分布和关系
数据预处理：处理缺失值、异常值、特征工程
模型拟合：计算回归系数
模型诊断：检验回归假设、评估模型拟合度
模型优化：变量选择、处理非线性
结果解释：解释系数含义、评估预测能力
模型部署：应用模型进行预测

1.7 线性回归的局限性

尽管线性回归应用广泛，但也有其局限性：

对非线性关系捕捉能力有限（需通过特征工程解决）
对异常值敏感（可考虑使用稳健回归）
当特征数量大于样本数量时表现不佳（需正则化）
假设自变量是精确测量的（测量误差会影响估计）
容易受到无关变量的干扰（需进行变量选择）

二、Scikit-learn中的线性回归实现

Scikit-learn是Python中最流行的机器学习库之一，提供了简单高效的工具用于数据挖掘和数据分析。

2.1 导入必要的库

# NumPy - Python科学计算的基础库，提供高性能的多维数组对象和数组计算工具
# 主要用于：数值计算、矩阵运算、线性代数、随机数生成等
import numpy as np# Matplotlib - Python最流行的2D绘图库，提供类似MATLAB的绘图接口
# pyplot模块提供MATLAB风格的绘图API，用于数据可视化
import matplotlib.pyplot as plt# scikit-learn中的线性回归模型实现
# LinearRegression类实现了普通最小二乘线性回归算法
from sklearn.linear_model import LinearRegression# scikit-learn中的模型选择工具
# train_test_split函数用于将数据集随机划分为训练集和测试集
from sklearn.model_selection import train_test_split# scikit-learn中的模型评估指标
# mean_squared_error - 计算均方误差(MSE)回归损失
# r2_score - 计算R²分数(决定系数)，回归模型的评估指标
from sklearn.metrics import mean_squared_error, r2_score# scikit-learn中的数据集生成工具
# make_regression函数用于生成适合回归分析的模拟数据集
from sklearn.datasets import make_regression

2.2 线性回归API详解

Scikit-learn中的LinearRegression类实现了普通最小二乘线性回归。

主要参数：

fit_intercept (bool, default=True)
- 是否计算截距(β₀)
- 如果设置为False，则模型不会计算截距(即数据已经中心化)
normalize (bool, default=False)
- 在拟合前是否对回归变量X进行归一化
- 当fit_intercept=False时，此参数被忽略
- 注意：从1.0版本开始，此参数将被弃用，建议使用StandardScaler进行预处理
copy_X (bool, default=True)
- 是否复制X。如果为False，X可能会被覆盖
n_jobs (int, default=None)
- 用于计算的作业数
- 主要用于多目标回归问题(n_targets > 1)

主要属性：

coef_ (array of shape (n_features, ) or (n_targets, n_features))
- 回归系数(斜率，β₁, β₂,...βₙ)
intercept_ (float or array of shape (n_targets,))
- 截距(β₀)
rank_ (int)
- 矩阵X的秩
singular_ (array of shape (min(X, y),))
- X的奇异值

主要方法：

fit(X, y[, sample_weight])
- 拟合线性模型
- X: 训练数据，形状为(n_samples, n_features)
- y: 目标值，形状为(n_samples,)或(n_samples, n_targets)
- sample_weight: 样本权重，形状为(n_samples,)
predict(X)
- 使用线性模型进行预测
- 返回预测值
score(X, y[, sample_weight])
- 返回预测的确定系数R²
- R² = 1 - (SS_res / SS_tot)
- 最佳得分为1.0，可能为负值(模型表现比随机猜测还差)

2.3 简单线性回归示例

# 生成示例数据
np.random.seed(42)
X = 2 * np.random.rand(100, 1)  # 生成100个0-2之间的随机数
y = 4 + 3 * X + np.random.randn(100, 1)  # y = 4 + 3x + 噪声# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 创建线性回归模型实例
lin_reg = LinearRegression()# 训练模型
lin_reg.fit(X_train, y_train)# 查看模型参数
print("截距(intercept):", lin_reg.intercept_)  # 输出截距β₀
print("系数(coef):", lin_reg.coef_)  # 输出系数β₁# 进行预测
y_pred = lin_reg.predict(X_test)# 评估模型
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)
print("均方误差(MSE):", mse)
print("R²分数:", r2)# 可视化结果
plt.scatter(X, y, color='blue', label='原始数据')
plt.plot(X_test, y_pred, color='red', linewidth=3, label='预测线')
plt.xlabel('X')
plt.ylabel('y')
plt.title('简单线性回归')
plt.legend()
plt.show()

2.4 多元线性回归示例

# 生成具有多个特征的示例数据
X, y = make_regression(n_samples=100, n_features=5, noise=0.1, random_state=42)# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 创建并训练模型
multi_lin_reg = LinearRegression()
multi_lin_reg.fit(X_train, y_train)# 查看模型参数
print("截距:", multi_lin_reg.intercept_)
print("系数:", multi_lin_reg.coef_)# 进行预测和评估
y_pred = multi_lin_reg.predict(X_test)
print("MSE:", mean_squared_error(y_test, y_pred))
print("R²:", r2_score(y_test, y_pred))

三、线性回归的扩展

3.1 多项式回归

当数据关系不是简单的线性关系时，可以通过添加多项式特征来拟合更复杂的关系。

from sklearn.preprocessing import PolynomialFeatures# 生成非线性数据
np.random.seed(42)
m = 100
X = 6 * np.random.rand(m, 1) - 3
y = 0.5 * X**2 + X + 2 + np.random.randn(m, 1)# 添加多项式特征
poly_features = PolynomialFeatures(degree=2, include_bias=False)
X_poly = poly_features.fit_transform(X)# 训练模型
lin_reg_poly = LinearRegression()
lin_reg_poly.fit(X_poly, y)# 查看参数
print("截距:", lin_reg_poly.intercept_)
print("系数:", lin_reg_poly.coef_)# 可视化
X_new = np.linspace(-3, 3, 100).reshape(100, 1)
X_new_poly = poly_features.transform(X_new)
y_new = lin_reg_poly.predict(X_new_poly)plt.scatter(X, y, color='blue')
plt.plot(X_new, y_new, color='red', linewidth=2, label="多项式回归")
plt.xlabel('X')
plt.ylabel('y')
plt.legend()
plt.show()

3.2 正则化线性回归

在标准线性回归中，当特征数量较多或特征间存在高度相关性时，模型容易出现过拟合（overfitting）问题——即在训练集上表现很好，但在测试集上表现较差。正则化（Regularization） 是一种用于防止过拟合的技术，通过在损失函数中添加惩罚项来约束模型参数的大小，从而降低模型复杂度。以下是三种常见的正则化线性回归方法：

1.岭回归(Ridge Regression)

原理：

在普通最小二乘法的损失函数中增加 L2正则化项（即系数平方和的惩罚项），优化目标为：
其中：
- α 是正则化强度（超参数），控制惩罚力度（α≥0）。
- 惩罚项会压缩系数，但不会完全消除任何特征。

特点：

适用场景：特征数量多、特征间存在共线性（相关性高）时。
效果：所有系数都会缩小，但不会变为零（保留所有特征）。
参数：
- alpha：正则化强度，越大则系数收缩越明显（默认=1）。
- solver：优化算法（如 "cholesky"、"sag" 等）。

示例代码：

from sklearn.linear_model import Ridge
ridge_reg = Ridge(alpha=1.0, solver="cholesky")  # 使用解析解求解
ridge_reg.fit(X_train, y_train)

2.Lasso回归

原理：

在损失函数中增加 L1正则化项（即系数绝对值的惩罚项），优化目标为：
L1正则化会使得部分系数恰好为零，从而实现特征选择。

特点：

适用场景：特征数量非常多，且希望自动进行特征选择时。
效果：稀疏性（某些系数归零），适合高维数据。
参数：
- alpha：正则化强度（默认=1）。
- max_iter：最大迭代次数（因L1优化问题可能需迭代求解）。

示例代码：

from sklearn.linear_model import Lasso
lasso_reg = Lasso(alpha=0.1, max_iter=10000)  # 设置较大的max_iter保证收敛
lasso_reg.fit(X_train, y_train)
print("被压缩为零的系数数量：", sum(lasso_reg.coef_ == 0))  # 查看多少特征被剔除

3.弹性网络(Elastic Net)

原理：

结合 L1和L2正则化，平衡岭回归和Lasso的优点，优化目标为：
其中：
- αα 控制整体正则化强度。
- ρ（l1_ratio）控制L1和L2的混合比例（0=纯岭回归，1=纯Lasso）。

特点：

适用场景：特征数量远大于样本数，或特征间存在强相关性时。
效果：既能选择特征（L1部分），又能保留相关特征组的稳定性（L2部分）。
参数：
- alpha：总体正则化强度。
- l1_ratio：L1正则化的比例（默认=0.5，即L1和L2各占一半）。

示例代码：

from sklearn.linear_model import ElasticNet
elastic_net = ElasticNet(alpha=0.1, l1_ratio=0.5)  # alpha=0.1, L1和L2各占50%
elastic_net.fit(X_train, y_train)

如何选择正则化方法？

方法	适用场景	优点	缺点
岭回归	特征相关性高，需保留所有特征	稳定，适合共线性数据	不进行特征选择
Lasso	特征数量多，且只有少数特征重要	自动特征选择，模型更简单	可能随机选择一个特征丢弃相关特征组
弹性网络	特征数量极多（如基因数据），且存在特征组相关性	兼顾特征选择和稳定性	需调两个超参数（`alpha`和`l1_ratio`）

实际建议：

优先尝试岭回归，若效果不佳再测试Lasso。
若特征数远大于样本数（如文本分类），使用弹性网络。
使用交叉验证（如GridSearchCV）优化超参数（如alpha）。

四、线性回归的评估指标

在建立线性回归模型后，我们需要使用评估指标来衡量模型的性能。不同的指标从不同角度反映模型的预测能力，以下是常用的线性回归评估指标及其解释：

4.1.均方误差(MSE)

数学公式：

解释：

计算方式：所有样本的预测值（y^i）与实际值（yi）的平方误差的平均值。
特点：
- 对大误差敏感（因为平方放大了较大误差的影响）。
- 值域为 [0,+∞)，越小越好。
- 单位是目标变量的平方（如预测房价时单位为“万元²”），不易直接解释。

使用场景：

需要惩罚较大预测错误时（如安全关键领域）。
适用于比较不同模型的性能。

示例代码：

from sklearn.metrics import mean_squared_error
mse = mean_squared_error(y_true, y_pred)
print("均方误差(MSE):", mse)

4.2.均方根误差(RMSE)

数学公式：

解释：

计算方式：MSE的平方根，将误差单位还原到原始尺度。
特点：
- 与MSE一样对大误差敏感。
- 值域为 [0,+∞)，越小越好。
- 单位与目标变量一致（如“万元”），更易解释。

使用场景：

需要直观理解误差大小时（如RMSE=5万元，表示平均预测偏差约5万元）。
比MSE更常用在实际报告中。

示例代码：

rmse = np.sqrt(mean_squared_error(y_true, y_pred))
print("均方根误差(RMSE):", rmse)

4.3.平均绝对误差(MAE)

数学公式：

解释：

计算方式：所有样本的预测值与实际值的绝对误差的平均值。
特点：
- 对异常值不敏感（因为未平方）。
- 值域为 [0,+∞)，越小越好。
- 单位与目标变量一致，解释直观（如“平均偏差3万元”）。

使用场景：

数据中存在异常值时。
需要直接了解平均预测误差幅度时。

与RMSE的区别：

RMSE强调较大误差，MAE对所有误差一视同仁。
若误差分布存在长尾，RMSE > MAE。

示例代码：

from sklearn.metrics import mean_absolute_error
mae = mean_absolute_error(y_true, y_pred)
print("平均绝对误差(MAE):", mae)

4.4.R²分数(决定系数)

数学公式：

特点：
- 值域为 (−∞,1]，越接近1越好。
- 无量纲，可用于不同数据集间的模型比较。

使用场景：

需要评估模型的整体解释力时。
注意：随特征数量增加而增大（即使无关特征），因此调整后的（Adjusted R²）更适用于多特征模型。

示例代码：

from sklearn.metrics import r2_score
r2 = r2_score(y_true, y_pred)
print("R²分数:", r2)

如何选择评估指标？

指标	敏感度	单位一致性	异常值鲁棒性	适用场景
MSE	高	否	低	需要强调大误差的场景
RMSE	高	是	低	最常用的误差指标
MAE	低	是	高	存在异常值或需直观理解误差时
R²	-	无量纲	-	评估模型解释变异的能力

实际建议：

报告多个指标：例如同时给出RMSE和R²，兼顾误差大小和解释力。
业务对齐：选择与业务目标相关的指标（如金融领域更关注MAE）。
交叉验证：使用交叉验证计算指标的稳定性（如cross_val_score）。

五、实际应用案例：波士顿房价预测

from sklearn.datasets import load_boston# 加载数据集
boston = load_boston()
X = boston.data
y = boston.target# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 特征缩放(标准化)
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)# 创建并训练模型
boston_reg = LinearRegression()
boston_reg.fit(X_train_scaled, y_train)# 评估模型
y_pred = boston_reg.predict(X_test_scaled)
print("MSE:", mean_squared_error(y_test, y_pred))
print("RMSE:", np.sqrt(mean_squared_error(y_test, y_pred)))
print("R²:", r2_score(y_test, y_pred))# 查看特征重要性
feature_importance = pd.DataFrame({'Feature': boston.feature_names,'Coefficient': boston_reg.coef_
}).sort_values(by='Coefficient', key=abs, ascending=False)print(feature_importance)