原文:https://www.bookbookmark.ds100.org/ch/13/linear_tips.html
# HIDDEN
# Clear previously defined variables
%reset -f
# Set directory for data loading to work properly
import os
os.chdir(os.path.expanduser('~/notebooks/13'))
# HIDDEN
import warnings
# Ignore numpy dtype warnings. These warnings are caused by an interaction
# between numpy and Cython and can be safely ignored.
# Reference: https://stackoverflow.com/a/40846742
warnings.filterwarnings("ignore", message="numpy.dtype size changed")
warnings.filterwarnings("ignore", message="numpy.ufunc size changed")
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sns
%matplotlib inline
import ipywidgets as widgets
from ipywidgets import interact, interactive, fixed, interact_manual
import nbinteract as nbi
sns.set()
sns.set_context('talk')
np.set_printoptions(threshold=20, precision=2, suppress=True)
pd.options.display.max_rows = 7
pd.options.display.max_columns = 8
pd.set_option('precision', 2)
# This option stops scientific notation for pandas
# pd.set_option('display.float_format', '{:.2f}'.format)
以前,我们使用一个数据集,该数据集包含一个服务生一周内提供的每个表的一行。我们的服务员收集了这些数据,以便预测他将来从一张桌子上能收到的小费金额。
tips = sns.load_dataset('tips')
tips.head()
账单合计 | 提示 | 性别 | 吸烟者 | 白天 | 时间 | 大小 | |
---|---|---|---|---|---|---|---|
零 | 十六点九九 | 1.01 年 | 女性 | 不 | 太阳 | 晚餐 | 二 |
--- | --- | --- | --- | --- | --- | --- | --- |
1 个 | 十点三四 | 一点六六 | 男性 | No | Sun | Dinner | 三 |
--- | --- | --- | --- | --- | --- | --- | --- |
二 | 二十一点零一 | 3.50 美元 | Male | No | Sun | Dinner | 3 |
--- | --- | --- | --- | --- | --- | --- | --- |
三 | 二十三点六八 | 三点三一 | Male | No | Sun | Dinner | 2 |
--- | --- | --- | --- | --- | --- | --- | --- |
四 | 二十四点五九 | 三点六一 | Female | No | Sun | Dinner | 四 |
--- | --- | --- | --- | --- | --- | --- | --- |
sns.distplot(tips['tip'], bins=25);
如前所述,如果我们选择一个常数模型和均方误差成本,我们的模型将预测尖端数量的平均值:
np.mean(tips['tip'])
2.9982786885245902
这意味着,如果一个新的聚会点了一顿饭,服务员问我们他可能会收到多少小费,我们会说“大约 3 美元”,不管桌子有多大,或者他们的总帐单有多少。
然而,观察数据集中的其他变量,我们发现如果我们将它们合并到我们的模型中,我们可能能够做出更准确的预测。例如,下面的小费金额与总账单的图表显示了一个正关联。
# HIDDEN
sns.lmplot(x='total_bill', y='tip', data=tips, fit_reg=False)
plt.title('Tip amount vs. Total Bill')
plt.xlabel('Total Bill')
plt.ylabel('Tip Amount');
虽然小费的平均金额是 3 美元,但如果一张桌子订购价值 40 美元的食物,我们肯定会期望服务员收到超过 3 美元的小费。因此,我们希望改变我们的模型,使其基于数据集中的变量进行预测,而不是盲目地预测平均尖端量。为此,我们使用线性模型而不是常量模型。
让我们简要回顾一下我们当前的建模和估计工具箱,并定义一些新的表示法,以便更好地表示线性模型所具有的额外复杂性。
我们有兴趣根据一张表的总帐单来预测小费金额。让$Y$代表小费金额,这是我们试图预测的变量。让$x$代表总账单,我们将其合并用于预测的变量。
我们定义了一个线性模型$f_ \boldSymbol\theta^*$依赖于$x$:
我们将$f_u \boldsymbol\theta^*(x)$作为生成数据的基础函数。
如果假设$Y$与$X$的关系是完全线性的,并且我们能够以某种方式找到$\theta_1^$和$\theta_0^
由于我们找不到确切的$\Theta_1^$和$\Theta_0^
有时,您会看到$H(x)$而不是$F \BoldSymbol\Theta(x)$的书写,$H$代表假设,因为$F \BoldSymbol\Theta(x)$是我们对$F \BoldSymbol\Theta ^*(x)$的假设。
为了确定$\hat \theta 1 和$\hat \theta 0 美元,我们选择了一个成本函数,并使用梯度下降将其最小化。