非線性關系用線性擬合和人工神經(jīng)網(wǎng)絡擬合的對比分析

實際應用中有很多非線性關系的變量很迷惑人谦屑,讓人誤用(多元)線性回歸甫贯,這篇文章對比分析了線性回歸和人工神經(jīng)網(wǎng)絡對這種變量的擬合,然后介紹下這種誤用帶來的后果,同時也會加深我們對人工神經(jīng)網(wǎng)絡的理解蔼两。

一甩鳄、多元線性回歸(MLR)與人工神經(jīng)網(wǎng)絡(ANN)--有模式

我們用數(shù)學上一個人人皆知的例子,矩形面積= 長*寬额划,假如一個研究人員不知道矩形面積與長和寬的關系妙啃,他想以長和寬為輸入變量用多元線性回歸去擬合矩形面積,然后我們看下結(jié)果俊戳。

1揖赴、數(shù)據(jù)介紹

本文的數(shù)據(jù)主要用MATLAB來隨機產(chǎn)生,這些數(shù)據(jù)分為三組抑胎,即原始數(shù)據(jù)燥滑、測試數(shù)據(jù)1和測試數(shù)據(jù)2,如下圖:

1)原始數(shù)據(jù)為area阿逃,lengthwide铭拧,用來做MLR公式和作為ANN的訓練數(shù)據(jù), lengthwide的數(shù)據(jù)范圍皆為 1-100。

2)測試數(shù)據(jù)1為test_area, test_lengthtest_wide恃锉,用來帶入上面MLR公式和ANN訓練函數(shù)搀菩,檢驗效果如何。這里的test_lengthtest_wide的數(shù)據(jù)范圍和上面的一樣都在1-100之間淡喜。

3)測試數(shù)據(jù)1為test_area_2, test_length_2test_wide_2宠纯,同樣用來檢驗效果蔑水,只是數(shù)據(jù)在原始數(shù)據(jù)范圍外孵坚,即100-200之間方庭。

2陨晶、結(jié)果評估

我們用擬合出來的結(jié)果與真實值(即test_areatest_area_2)的mean squared error(MSE)和相關系數(shù)R^2來評估擬合效果凉逛。

3纲爸、結(jié)果

3.1覆醇、得到MLR公式

這里用Excel的數(shù)據(jù)分析——回歸直接得到變量lengthwide的系數(shù)與截距褥琐,R^2看起來還不錯0.83锌俱。然后我們把測試數(shù)據(jù)1和測試數(shù)據(jù)2直接帶入即可。

3.2敌呈、得到ANN訓練函數(shù)

采用前饋神經(jīng)網(wǎng)絡贸宏,以lengthwide為輸入磕洪,area為target進行訓練吭练,隱含層(hidden neurons)用5個,MSE相當?shù)臀鱿裕琑^2基本接近1鲫咽,如下圖,然后我們生成函數(shù),待會直接輸入測試數(shù)據(jù)1和測試數(shù)據(jù)2的長和寬即可分尸。

3.3锦聊、測試數(shù)據(jù)1結(jié)果對比

如下圖,看總體趨勢都還比較好箩绍,但MLR的MSE遠遠大于ANN的孔庭,注意這里的MSE沒有進行數(shù)據(jù)標準化計算,所以我們看到雖然MLR的MSE那么大材蛛,但是預測結(jié)果是可以的史飞;而ANN的擬合結(jié)果很明顯更好。

3.4仰税、測試數(shù)據(jù)2結(jié)果對比

這里就能看出區(qū)別了构资,雖然MLR的趨勢跟真實值差不太多(R^2挺高的),但是誤差太大了(MSE要比ANN的擬合結(jié)果大3個數(shù)量級)陨簇,相比而言吐绵,ANN表現(xiàn)就非常好了,他好像聰明地觀察到了面積=長*寬這個規(guī)律河绽,因為恰巧我們的輸入變量是符合這個規(guī)律的己单,他才有機會學得到,而那個用多元線性回歸的研究人員就沒那么幸運了耙饰。假如我們的輸入變量里沒有長或者寬會是怎么樣呢纹笼?還能得到如此好的預測結(jié)果嗎,看第二部分"線性回歸(LR)與ANN--無模式"

二苟跪、線性回歸(LR)與ANN--無模式

我們同樣用數(shù)學上類似的數(shù)據(jù)廷痘,只不過這次我們用周長和矩形面積,假如一個研究人員不知道矩形面積與周長關系件已,他觀察周長越大面積就越大笋额,于是以線性擬合去找他們之間的關系,然后我們看下結(jié)果篷扩。

1兄猩、數(shù)據(jù)介紹

數(shù)據(jù)分為三組,即原始數(shù)據(jù)鉴未、測試數(shù)據(jù)1和測試數(shù)據(jù)2枢冤,如下圖:

1)原始數(shù)據(jù)為areaperimeter,用來做LR公式和作為ANN的訓練數(shù)據(jù), perimeter的數(shù)據(jù)范圍為 4-400(因為是用上面的數(shù)據(jù)范圍皆為 1-100的lengthwide產(chǎn)生的)铜秆。

2)測試數(shù)據(jù)1為test_areatest_perimeter淹真,用來帶入上面LR公式和ANN訓練函數(shù),檢驗效果如何羽峰。這里的test_perimeter的數(shù)據(jù)范圍和上面的一樣在4-400之間趟咆。

3)測試數(shù)據(jù)1為test_area_2test_perimeter_2添瓷,同樣用來檢驗效果,只是數(shù)據(jù)在原始數(shù)據(jù)范圍外值纱,即400-800之間(用上面的test_length_2test_wide_2產(chǎn)生的)鳞贷。

2、結(jié)果評估

同樣用MSE和R^2

3虐唠、結(jié)果

3.1搀愧、得到線性擬合公式

如圖,看起來也還不錯


3.2疆偿、得到ANN訓練函數(shù)

采用前饋神經(jīng)網(wǎng)絡咱筛,以perimeter為輸入,area為target進行訓練杆故,隱含層(hidden neurons)用5個迅箩,訓練結(jié)果如圖,MSE這次挺高了处铛,注意MSE是平方了的(所以標準的ANN做法是先把數(shù)據(jù)標準化)饲趋,看下面的殘差直方圖更直觀一些,area的平均值才2400左右撤蟆,殘差最高到了1000多奕塑,R^2還不錯,然后我們生成函數(shù)家肯,待會直接輸入測試數(shù)據(jù)1和測試數(shù)據(jù)2的周長即可龄砰。

3.3、測試數(shù)據(jù)1結(jié)果對比

這個因為測試數(shù)據(jù)與原始數(shù)據(jù)的輸入在一個范圍內(nèi)讨衣,所以看起來都還可以换棚,趨勢基本完全吻合,看MSE和R^2值依,似乎ANN略勝一籌圃泡。

3.4碟案、測試數(shù)據(jù)2結(jié)果對比

如圖愿险,線性回歸(LR)和ANN擬合的都不太好,MSE基本在同一個水平价说,ANN的略低一些辆亏,但是LR的趨勢似乎跟真實值更吻合一些。
在這里ANN好像學不到我們用隨機數(shù)得到的周長跟面積的關系鳖目,因為周長跟面積本來就沒有什么模式可言扮叨,對于沒有模式的東西,ANN似乎無能為力领迈,但是他能在力所能及的范圍內(nèi)給你預測彻磁,就像上面的測試數(shù)據(jù)1的結(jié)果還是可以的碍沐,因為訓練的數(shù)據(jù)與測試的數(shù)據(jù)范圍是一致的,而在數(shù)據(jù)范圍一致的情況下衷蜓,用LR效果也看似很好累提。然而我們不要忘了,周長與面積是并沒有線性關系的磁浇。

三斋陪、MLR與ANN--混合輸入

緊接著,如果我們不知道面積與長置吓、寬和周長這三者的關系无虚,把這三個變量都輸進去,然后再用MLR和ANN的方法衍锚,當然因為周長 = (長+寬)*2,所以MLR的方法肯定有一個參數(shù)為0友题。測試數(shù)據(jù)直接選用原始數(shù)據(jù)外的,因為我們知道在原始數(shù)據(jù)范圍內(nèi)的擬合結(jié)果肯定都還可以接受戴质,直接看結(jié)果咆爽,如圖,ANN表現(xiàn)良好置森,MLR還是不行斗埂。


同樣我們只輸入長和周長這兩個變量呢,結(jié)果是一致的凫海,ANN擬合很好呛凶,MLR很差(MLR結(jié)果跟上面的一模一樣的,因為長行贪、寬和周長三個變量間存在線性關系的)漾稀。

以上分析我們可以看出ANN擬合的優(yōu)越性,如果不知道目標變量與哪些變量可能存在關系以讓ANN學習建瘫,不如嘗試多輸入一些崭捍!當然盡管存在一些局限,多元線性回歸也是一種很有用的技術

最后編輯于
?著作權歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末啰脚,一起剝皮案震驚了整個濱河市殷蛇,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌橄浓,老刑警劉巖粒梦,帶你破解...
    沈念sama閱讀 217,734評論 6 505
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異荸实,居然都是意外死亡匀们,警方通過查閱死者的電腦和手機,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,931評論 3 394
  • 文/潘曉璐 我一進店門准给,熙熙樓的掌柜王于貴愁眉苦臉地迎上來泄朴,“玉大人重抖,你說我怎么就攤上這事∽婊遥” “怎么了仇哆?”我有些...
    開封第一講書人閱讀 164,133評論 0 354
  • 文/不壞的土叔 我叫張陵,是天一觀的道長夫植。 經(jīng)常有香客問我讹剔,道長,這世上最難降的妖魔是什么详民? 我笑而不...
    開封第一講書人閱讀 58,532評論 1 293
  • 正文 為了忘掉前任延欠,我火速辦了婚禮,結(jié)果婚禮上沈跨,老公的妹妹穿的比我還像新娘由捎。我一直安慰自己,他們只是感情好饿凛,可當我...
    茶點故事閱讀 67,585評論 6 392
  • 文/花漫 我一把揭開白布狞玛。 她就那樣靜靜地躺著,像睡著了一般涧窒。 火紅的嫁衣襯著肌膚如雪心肪。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 51,462評論 1 302
  • 那天纠吴,我揣著相機與錄音硬鞍,去河邊找鬼。 笑死戴已,一個胖子當著我的面吹牛固该,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播糖儡,決...
    沈念sama閱讀 40,262評論 3 418
  • 文/蒼蘭香墨 我猛地睜開眼伐坏,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了握联?” 一聲冷哼從身側(cè)響起桦沉,我...
    開封第一講書人閱讀 39,153評論 0 276
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎拴疤,沒想到半個月后永部,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 45,587評論 1 314
  • 正文 獨居荒郊野嶺守林人離奇死亡呐矾,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 37,792評論 3 336
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發(fā)現(xiàn)自己被綠了懦砂。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片蜒犯。...
    茶點故事閱讀 39,919評論 1 348
  • 序言:一個原本活蹦亂跳的男人離奇死亡组橄,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出罚随,到底是詐尸還是另有隱情玉工,我是刑警寧澤,帶...
    沈念sama閱讀 35,635評論 5 345
  • 正文 年R本政府宣布淘菩,位于F島的核電站遵班,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏潮改。R本人自食惡果不足惜狭郑,卻給世界環(huán)境...
    茶點故事閱讀 41,237評論 3 329
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望汇在。 院中可真熱鬧翰萨,春花似錦、人聲如沸糕殉。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,855評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽阿蝶。三九已至雳锋,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間羡洁,已是汗流浹背魄缚。 一陣腳步聲響...
    開封第一講書人閱讀 32,983評論 1 269
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留焚廊,地道東北人冶匹。 一個月前我還...
    沈念sama閱讀 48,048評論 3 370
  • 正文 我出身青樓,卻偏偏與公主長得像咆瘟,于是被迫代替她去往敵國和親嚼隘。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當晚...
    茶點故事閱讀 44,864評論 2 354

推薦閱讀更多精彩內(nèi)容

  • 介紹 我正在和一位剛剛在印度超市連鎖店擔任運營經(jīng)理的朋友說話。在我們的討論中灸眼,我們開始談論在印度節(jié)日(排燈節(jié))開始...
    正在充電Loading閱讀 5,299評論 2 1
  • 今天寧波有雨卧檐,告別昨日的悶熱。 濕冷焰宣、清冷霉囚。 因為是單休,今天他和她上班匕积。 (一) 昨晚他沒有撥她號碼盈罐。 他在想著...
    阿合哥哥閱讀 221評論 0 0
  • 文/六呂 解落三秋葉榜跌,能開二月花。 過江千尺浪盅粪,入竹萬竿斜钓葫。 ——唐 李嶠 風吹萬物生,花紅葉綠草青青票顾。在文人墨下...
    六呂閱讀 1,041評論 0 2
  • 家族系統(tǒng)排列與《道德經(jīng)》的生活修行 多年服藥的抑郁癥患者础浮,情感困擾嚴重心理沖突頭暈多次檢查卻無器質(zhì)性病變的訪客,外...
    羽斐閱讀 437評論 0 1
  • 梳理第七天: 梳理身邊的朋友奠骄、同事關系豆同。 生病期間,不時接到以往同事戚揭、朋友的電話诱告,有的關心,有的好信民晒,有的持續(xù)電話...
    放松身心閱讀 176評論 0 0