在实际应用中，许多问题都包含多个特征（输入变量），而不仅仅是单个输入变量。多元线性回归是线性回归的扩展，它能够处理多个输入特征并建立它们与目标变量的线性关系。本教程将系统性推演多元线性回归，包括向量化处理、特征放缩、梯度下降的收敛性和学习率选择等，并使用numpy实现。最后，我们会通过sklearn快速实现多元线性回归模型。

多元线性回归模型简介

多元线性回归的模型公式为：
$$y=X\cdot w+b$$
其中：

• ( y ) 是预测值（输出），
• ( X ) 是输入特征矩阵（每一行表示一个样本，每一列表示一个特征），
• ( w ) 是权重向量，
• ( b ) 是偏置项（通常看作一个常数项）。

模型的目标是找到最优的权重向量 ( w ) 和偏置 ( b )，使得预测值与真实值的差异最小。

向量化处理

在机器学习中，向量化是一种通过矩阵运算来加速模型训练的方式。我们将模型的多个样本和特征表示为矩阵形式，这样能够利用线性代数库（如 numpy）中的优化操作来加速计算。

多元线性回归的预测可以用向量化表示为：

$$Y_{\text{pred}}=X\cdot w+b$$
其中：

• ( X ) 是 ( n \times m ) 的矩阵，表示 ( n ) 个样本的 ( m ) 个特征，
• ( w ) 是 ( m \times 1 ) 的权重向量，
• ( b ) 是常数偏置项。

损失函数

我们依然使用**均方误差（MSE, Mean Squared Error）**作为损失函数，用来衡量模型预测值与真实值之间的差异。其公式为：

$$MSE=\frac{1}{n}\sum _{i=1}^n(y_i-\widehat{y_i}{)}^2$$

特征放缩（Feature Scaling）

在多元线性回归中，特征的尺度对模型训练的影响较大。如果某些特征的值范围过大，会导致它们在梯度下降中主导权重更新，导致收敛速度变慢甚至无法收敛。因此，通常会对特征进行标准化或归一化。

1. 归一化（Normalization）：将特征缩放到[0, 1]区间，公式如下：

$$X^{\prime }=\frac{X-X_{\text{min}}}{X_{\text{max}}-X_{\text{min}}}$$

2. 标准化（Standardization）：将特征的均值归零，标准差为1，公式如下：

$$X^{\prime }=\frac{X-\mu }{\sigma }$$

梯度下降的收敛性

在使用梯度下降优化模型参数时，梯度下降的收敛性取决于学习率的选择和损失函数的性质。如果学习率过大，梯度下降可能会在更新中超出最优值；学习率过小，收敛速度会非常慢。通常我们需要通过实验选择合适的学习率。

代码实现：多元线性回归模型

接下来，我们使用numpy从头实现多元线性回归模型。

数据准备

我们生成一个包含多个特征的数据集。

import numpy as np
import matplotlib.pyplot as plt

# 生成多元数据
np.random.seed(42)
X = 2 * np.random.rand(100, 3)  # 生成 100 个样本，3 个特征
true_w = np.array([3, 4, 5])
y = X.dot(true_w) + 6 + np.random.randn(100)  # y = 3x1 + 4x2 + 5x3 + 6 + 噪声

# 查看数据维度
print("X shape:", X.shape)
print("y shape:", y.shape)

损失函数

实现均方误差损失函数：

def mse_loss(y_true, y_pred):
    return np.mean((y_true - y_pred) ** 2)

梯度计算

实现梯度计算函数：

def compute_gradients(X, y, w, b):
    n = len(y)
    y_pred = X.dot(w) + b
    dw = (2/n) * X.T.dot(y_pred - y)
    db = (2/n) * np.sum(y_pred - y)
    return dw, db

梯度下降

我们定义梯度下降函数，更新权重和偏置：

def gradient_descent(X, y, w, b, learning_rate, iterations):
    for i in range(iterations):
        dw, db = compute_gradients(X, y, w, b)
        w -= learning_rate * dw
        b -= learning_rate * db
        
        if i % 100 == 0:
            y_pred = X.dot(w) + b
            loss = mse_loss(y, y_pred)
            print(f"Iteration {i}: Loss = {loss}")
            
    return w, b

特征放缩

我们可以通过 StandardScaler 对特征进行标准化。

def standardize(X):
    mean = np.mean(X, axis=0)
    std = np.std(X, axis=0)
    X_scaled = (X - mean) / std
    return X_scaled

模型训练

初始化参数并训练模型：

# 初始化参数
w = np.random.randn(3)
b = np.random.randn(1)

# 特征标准化
X_scaled = standardize(X)

# 超参数设置
learning_rate = 0.01
iterations = 1000

# 训练模型
w_trained, b_trained = gradient_descent(X_scaled, y, w, b, learning_rate, iterations)
print(f"Trained weights: {w_trained}, Trained bias: {b_trained}")

可视化模型

对于多元回归，权重无法直接用图像展示，但可以展示损失值的收敛曲线：

# 绘制损失曲线
losses = []
for i in range(1000):
    dw, db = compute_gradients(X_scaled, y, w, b)
    w -= learning_rate * dw
    b -= learning_rate * db
    y_pred = X_scaled.dot(w) + b
    loss = mse_loss(y, y_pred)
    losses.append(loss)

plt.plot(losses)
plt.xlabel("Iterations")
plt.ylabel("Loss")
plt.title("Loss Curve")
plt.show()

使用 sklearn 实现多元线性回归

最后，我们使用sklearn快速实现多元线性回归。

from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import StandardScaler

# 特征标准化
scaler = StandardScaler()
X_scaled_sklearn = scaler.fit_transform(X)

# 训练模型
lin_reg = LinearRegression()
lin_reg.fit(X_scaled_sklearn, y)

# 输出权重和偏置
print(f"Sklearn Trained weights: {lin_reg.coef_}, Sklearn Trained bias: {lin_reg.intercept_}")

总结

在本教程中，我们深入推演了多元线性回归的基本原理，从向量化、特征放缩、梯度下降收敛性到学习率选择，并使用numpy实现了完整的多元线性回归模型。通过sklearn的实现，我们验证了结果并加速了训练流程。希望这篇教程能帮助你进一步理解多元线性回归模型的核心概念。