使用弹性网络回归（Elastic Net Regression）算法来预测波士顿房屋价格。弹性网络回归是一种结合了L1和L2正则化惩罚的线性回归模型，能够处理高维数据和具有多重共线性的特征。弹性网络回归的目标函数包括数据拟合损失和正则化项：

• $$mi{n}_w\frac{1}{2n}||y-Xw|{|}_2^2+\alpha (\lambda ||w|{|}_1+\frac{1}{2}(1-\lambda )||w|{|}_2^2)$$

• 其中，$y$是目标变量向量，$X$是输入特征矩阵，$w$是模型的权重系数，$n$是样本数，$\alpha$是正则化强度参数，$\lambda$是 Elastic Net 混合参数，用来控制L1和L2正则化项的权重。

处理数据流程

• 加载波士顿房屋价格数据集，将特征矩阵存储为X，目标变量存储为y。
• 分割数据集为训练集和测试集。
• 对特征矩阵进行特征缩放，以避免不同特征尺度带来的问题。
• 使用ElasticNet类来拟合训练数据，并进行预测。
• 评估模型在测试集上的性能。

from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import ElasticNet
from sklearn.metrics import mean_squared_error
from matplotlib import pyplot as plt
import pandas as pd
import numpy as np
from tqdm import tqdm
import time
def ela_net(X_tr,X_te,y_tr,alpha,l1):s = StandardScaler()X_tr_s = s.fit_transform(X_tr)X_te_s = s.fit_transform(X_te)ela_model = ElasticNet(alpha=alpha,l1_ratio=l1,random_state=2023)ela_model.fit(X_tr_s,y_tr)y_pre = ela_model.predict(X_te_s)return y_pre
data_url = "http://lib.stat.cmu.edu/datasets/boston"
raw_df = pd.read_csv(data_url, sep="\s+", skiprows=22, header=None)
data = np.hstack([raw_df.values[::2, :], raw_df.values[1::2, :2]])
target = raw_df.values[1::2, 2]
X, y = data, target
X_tr, X_te, y_tr, y_te = train_test_split(X, y, test_size=0.3, random_state=2023)
best_a,best_l,min_res = 0,0,float('inf')
for i in tqdm(np.arange(0.1,1,0.1).round(1)):time.sleep(0.5)for j in np.arange(0.1,1,0.1).round(1):# print(i)y_pre = ela_net(X_tr,X_te,y_tr,i,j)mes = mean_squared_error(y_pre,y_te)if mes < min_res:min_res = mesbest_a,best_l = i,jprint(mes)
print("alpha:",best_a,",lambda:",best_l,",mse:",min_res)

目标是使用Lasso回归算法来建立一个预测模型，通过输入特征预测房屋价格中位数。Lasso回归是一种线性回归的扩展方法，它通过加入L1正则化项来进行特征选择和模型参数的压缩。Lasso回归的优化目标函数如下：

• $$min(\sum _{i-1}^n(y_i-\widehat{y_i}{)}^2+\alpha \sum _{j-1}^p|{\beta }_j|)$$

• 其中，$n$ 是样本数量，$p$ 是特征数量，$y_i$ 是实际观测值，${\hat{y}}_i$ 是预测值，$${\beta }_j$$ 是模型参数（系数），$\alpha$ 是L1正则化项的权重。L1正则化项通过在优化过程中将某些模型参数变为0来实现特征选择的作用。较大的 $$\alpha$$ 值将更多的系数压缩到零，从而选择出更少的特征。较小的 $$\alpha$$ 值将保留更多的特征。

• 通过生成一个惩罚函数是回归模型中的变量系数进行压缩，达到防止过度拟合，解决严重共线性的问题。Lasso回归通过引入L1正则化 (即Lasso惩罚项)，可以将系数向量中小的权重变为0，从而实现特征选择和模型稀疏性。Lasso回归具备如下几个作用。

  • **特征选择：**Lasso回归可以用于选择最重要的特征。它通过在优化目标函数中添加一项惩罚项（L1正则化）来实现稀疏性，使得系数向量中很多特征的权重变为0。通过选择非零系数对应的特征，可以筛选出对目标变量有最大预测能力的特征，从而简化模型，提高模型的泛化能力。
  • **多重共线性问题：**在研究中，往往存在多个相关的自变量。Lasso回归可以通过自变量之间的相关关系，将相关的自变量的系数变为0，从而降低多重共线性对回归结果的影响。
  • **解释模型：**Lasso回归可以用于解释模型中的变量对目标变量的影响。通过系数的大小和正负，可以了解特定特征对目标变量的正向或负向影响程度。

• 正则化的本质可以定义为我们对训练算法所做的任何改变，以减少泛化误差，而不是训练误差。有许多正则化策略。有的对模型进行了额外的约束，如对参数值进行约束;有的对目标函数进行了额外的约束，可以认为是对参数值进行了间接约束或软约束。

模型预测流程

• 导入数据集并进行数据预处理。数据标准化 / 归一化的作用
  • 提升模型精度：标准化 / 归一化使不同维度的特征在数值上更具比较性，提高分类器的准确性。
  • 提升收敛速度：对于线性模型，数据归一化使梯度下降过程更加平缓，更易正确的收敛到最优解。
• 拆分数据集为训练集和测试集。
• 初始化Lasso回归模型，并训练模型。
• 评估模型在测试集上的性能。
• 调整超参数来改善模型性能。

StandardScaler：标准化数据减去均值，然后除以标准差，经过处理后数据符合标准正态分布，即均值为0，标准差为1；适用于本身服从正态分布的数据；基本可用于有outlier的情况，但在计算方差和均值时outliers仍然会影响计算。

MinMaxScaler：区间缩放，基于最大最小值，将数据转换到0,1区间上的，转换函数：x = (x-min) / (max-min)；适用于分布范围较稳定的数据，当新数据的加入导致max/min变化，则需重新定义；因为outlier会影响最大值或最小值，因此对outlier非常敏感。

RobustScaler：使用具有鲁棒性的统计量缩放带有异常值（离群值）的数据，该缩放器删除中位数，并根据百分位数范围（默认值为IQR：四分位间距）缩放数据；适用于包含许多异常值的数据；x=(x-median)/(p75-p25)：默认使用第一个四分位数（25%分位数）和第3个四分位数（75%分位数）之间的范围。

sklearn.metrics【指标】

• 【分类指标】
• 1.accuracy_score(y_true,y_pre) : 精度
• 2.auc(``x, y, reorder=False) : ROC曲线下的面积;较大的AUC代表了较好的performance
• 3.average_precision_score(y_true, y_score, average=‘macro’, sample_weight=None):根据预测得分计算平均精度(AP)
• 4.brier_score_loss(y_true, y_prob, sample_weight=None, pos_label=None):The smaller the Brier score, the better.
• 5.confusion_matrix(y_true, y_pred, labels=None, sample_weight=None):通过计算混淆矩阵来评估分类的准确性 返回混淆矩阵
• 6.f1_score(y_true, y_pred, labels=None, pos_label=1, average=‘binary’, sample_weight=None): F1值。F1 = 2 * (precision * recall) / (precision + recall) precision(查准率)=TP/(TP+FP) recall(查全率)=TP/(TP+FN)
• 7.log_loss(y_true, y_pred, eps=1e-15, normalize=True, sample_weight=None, labels=None)：对数损耗，又称逻辑损耗或交叉熵损耗
• 8.precision_score(y_true, y_pred, labels=None, pos_label=1, average=‘binary’,) ：查准率或者精度； precision(查准率)=TP/(TP+FP)
• 9.recall_score(y_true, y_pred, labels=None, pos_label=1, average=‘binary’, sample_weight=None)：查全率 ；recall(查全率)=TP/(TP+FN)
• 10.roc_auc_score(y_true, y_score, average=‘macro’, sample_weight=None)：计算ROC曲线下的面积就是AUC的值，the larger the better
• 11.roc_curve(y_true, y_score, pos_label=None, sample_weight=None, drop_intermediate=True)；计算ROC曲线的横纵坐标值，TPR，FPR；TPR = TP/(TP+FN) = recall(真正例率，敏感度) FPR = FP/(FP+TN)(假正例率，1-特异性)
• 【回归指标】
• 1.explained_variance_score(y_true, y_pred, sample_weight=None, multioutput=‘uniform_average’)：回归方差(反应自变量与因变量之间的相关程度)
• 2.mean_absolute_error(y_true, y_pred, sample_weight=None, multioutput=‘uniform_average’)：平均绝对误差
• 3.mean_squared_error(y_true, y_pred, sample_weight=None, multioutput=‘uniform_average’)：均方差
• 4.median_absolute_error(y_true, y_pred) 中值绝对误差
• 5.r2_score(y_true, y_pred, sample_weight=None, multioutput=‘uniform_average’) ：R平方值
  • 相关指数 $R^2$ 表示一元多项式回归方程拟合度的高低，或者说表示一元多项式回归方程估测的可靠程度的高低。总体平方和（Total Sum of Squares）：$TSS={\sum }_{i=1}^n{\left(y_i-\overline{y_i}\right)}^2$；回归平方和（Explained Sum of Squares）：$ESS={\sum }_{i=1}^n{\left(\widehat{y_i}-\overline{y_i}\right)}^2$；残差平方和（Residual Sum of Squares ）： $RSS={\sum }_{i=1}^n{\left(y_i-\widehat{y_i}\right)}^2$。三者关系：TSS = ESS + RSS
  • Y的观测值围绕其均值的总离差(total variation)可分解为两部分：一部分来自回归线(ESS)，另一部分则来自随机势力(RSS)。在给定样本中，TSS不变，如果实际观测点离样本回归线越近，则ESS在TSS中占的比重越大，因此定义拟合优度：回归平方和ESS与Y的总离差TSS的比值。即$R^2=\frac{ESS}{TSS}=1-\frac{RSS}{TSS}$ 。在线性回归模型中，$R^2$ 表示解释变量对于预测变量变化的贡献率。 $R^2$ 越接近于1，表示回归的效果越好。因此 $R^2$ 越大，意味着残差平方和 ${\sum }_{i=1}^n{\left(y_i-\widehat{y_i}\right)}^2$ 越小，即模型的拟合效果越好；$R^2$ 越小，残差平方和越大，即模型的拟合效果越差。
  • sklearn.metrics.r2_score(y_true, y_pred, sample_weight=None, multioutput=’uniform_average’)
    • y_true：真实值。y_pred：预测值。sample_weight：样本权重。multioutput：多维输入输出，可选‘raw_values’, ‘uniform_average’, ‘variance_weighted’或None。默认为’uniform_average’;‘variance_weighted’对所有输出的分数进行平均，并根据每个输出的方差进行加权。‘raw_values’对每一对应列求其R2指数，返回一个与列数相同的一维数组。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
data_url = "http://lib.stat.cmu.edu/datasets/boston"
raw_df = pd.read_csv(data_url, sep="\s+", skiprows=22, header=None)
data = np.hstack([raw_df.values[::2, :], raw_df.values[1::2, :2]])
target = raw_df.values[1::2, 2]
print(data.shape,"\t",target.shape)
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import RobustScaler
X_train,X_test,y_train,y_test = train_test_split(data,target,test_size=0.3,random_state=2023)
# ro = RobustScaler()
# X_train_r = ro.fit_transform(X_train)
# X_test_r = ro.fit_transform(X_test)
from sklearn.linear_model import Lasso
def lasso_net(alpha):model = Lasso(alpha=alpha)model.fit(X_train,y_train)y_pre = model.predict(X_test)return y_pre
from sklearn.metrics import r2_score
max_r , best_a= 0,0
for i in np.arange(0.1,1,0.1).round(1):r2 = r2_score(lasso_net(i),y_test)if r2>max_r:max_r = r2best_a = iprint(r2)
las = Lasso(best_a)
las.fit(X_train, y_train)
# 绘制特征系数变化图
features = ["CRIM","ZN","INDUS","CHAS","NOX","RM","AGE","DIS","RAD","PTRATIO","B","LSTAT","MEDV"]
plt.plot(range(data.shape[1]), las.coef_)
plt.xticks(range(data.shape[1]), features, rotation=90)
# 设置数字标签
for a, b in zip(range(data.shape[1]), las.coef_):plt.text(a, b, b.round(2), ha='center', va='bottom', fontsize=12)
plt.xlabel('Features')
plt.ylabel('Coefficients')
plt.title('Lasso Regression Coefficients')
plt.show()

岭回归是一种用于处理多重共线性问题的线性回归方法，它通过对模型的系数进行约束，可以提高模型的稳定性和泛化能力。岭回归通过在损失函数中添加一个L2正则化项来控制模型的复杂度。L2正则化项基于模型的系数向量的平方和来惩罚大的系数值，从而有效地减小模型的过拟合风险。

• $$\lambda \sum _{j-1}^p{w}_j^2$$

• 其中，$$\lambda$$ 是我们定义的正则化参数，$p$ 是特征的数量，$$w_j$$ 是第 $j$ 个特征的系数。岭回归的目标是最小化以下损失函数：$loss=MSE+\lambda {\sum }_{j-1}^p{w}_j^2$。这里的 $$\text{MSE}$$ 是均方误差，即预测值与真实值之间的平方差的平均值。通过添加正则化项，岭回归通过权衡模型的拟合能力和稳定性来提高泛化能力。

数据处理步骤

• 导入必要的库和数据集
• 数据探索和预处理
• 拆分数据集为特征矩阵 X 和目标向量 y
• 归一化特征矩阵 X
• 使用岭回归模型进行训练和预测
• 评估模型性能

from sklearn.model_selection import train_test_split
import numpy as np
import pandas as pd
data_url = "http://lib.stat.cmu.edu/datasets/boston"
raw_df = pd.read_csv(data_url, sep="\s+", skiprows=22, header=None)
data = np.hstack([raw_df.values[::2, :], raw_df.values[1::2, :2]])
target = raw_df.values[1::2, 2]
Xtrain,Xtest,ytrain,ytest = train_test_split(data,target)
from sklearn.preprocessing import StandardScaler
s = StandardScaler()
Xtrains = s.fit_transform(Xtrain)
Xtests = s.fit_transform(Xtest)
from sklearn.linear_model import Ridge
def ri_net(xt,yt,xtest,alpha):ri = Ridge(alpha=alpha)ri.fit(xt,yt)y_pre = ri.predict(xtest)return y_pre
from sklearn.metrics import mean_absolute_percentage_error,r2_score,mean_squared_error
for i in np.arange(0.1,2,0.1):ym = ri_net(Xtrains,ytrain,Xtests,i)print(mean_absolute_percentage_error(ytest,ym),r2_score(ytest,ym),mean_squared_error(ytest,ym))

岭回归模型通过引入正则化项来对线性回归模型进行约束，以避免过拟合。使用了 Scikit-learn 中的 Ridge 类来实现岭回归，并使用均方误差来评估模型的性能。

使用多项式回归模型来学习这些特征和价格之间的关系，并预测新的房屋价格。多项式回归是一种回归分析中使用的方法，可以通过拟合一个关于自变量的多项式来预测因变量的数值。与简单线性回归模型只使用一个自变量不同，多项式回归模型可以使用多个自变量来进行拟合。通过引入高次特征变量，多项式回归模型可以更好地适应非线性关系。多项式回归模型的一般形式可以表示为：

• $$Y={\theta }_0+{\theta }_{1}X+{\theta }_2{X}^2+\dots +{\theta }_n{X}^n$$

• 其中，$Y$表示因变量，$X$表示自变量，${\theta }_0,{\theta }_1,\dots ,{\theta }_n$表示模型的参数，$n$表示多项式的阶数。假设我们有一组自变量 X = { x 1 , x 2 , … , x m } X = \{x_1, x_2, \ldots, x_m\} X={x1​,x2​,…,xm​} 和对应的因变量 Y = { y 1 , y 2 , … , y m } Y = \{y_1, y_2, \ldots, y_m\} Y={y1​,y2​,…,ym​}，我们的目标是找到最佳拟合的二次多项式曲线。$Y={\theta }_0+{\theta }_{1}X+{\theta }_2{X}^2$。为了找到最佳拟合的参数值 $${\theta }_0,{\theta }_1,{\theta }_2$$，我们可以使用最小二乘法。我们需要最小化残差平方和（RSS）：

• $$RSS=\sum _{i=1}^m(y_i-{\hat{y}}_i{)}^2$$

• 其中，$$y_i$$是观测到的因变量值，$${\hat{y}}_i$$ 是根据模型得到的预测值。

计算流程

• 导入必要的库和数据集
• 从数据集中加载数据
• 提取特征变量和目标变量
• 使用多项式回归模型进行拟合
• 预测新的房屋价格
• 计算模型的性能指标（如均方误差）
• 绘制原始数据散点图和拟合曲线图

from sklearn.metrics import r2_score
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression
import numpy as np
import pandas as pd
data_url = "http://lib.stat.cmu.edu/datasets/boston"
raw_df = pd.read_csv(data_url, sep="\s+", skiprows=22, header=None)
data = np.hstack([raw_df.values[::2, :], raw_df.values[1::2, :2]])
target = raw_df.values[1::2, 2]
poly = PolynomialFeatures(degree=3)
X_p = poly.fit_transform(data)
model = LinearRegression()
model.fit(X_p,target)
y_p = model.predict(X_p)
r2 = r2_score(target,y_p)
print(r2)

使用PolynomialFeatures类将原始特征向量X转换为多项式特征向量X_poly。使用LinearRegression类构建多项式回归模型并进行拟合。