Merge pull request #158 from chenyyx/master

修改8.回归.md和部分修改9.树回归

docs/8.预测数值型数据：回归.md

@@ -23,6 +23,16 @@ HorsePower = 0.0015 * annualSalary - 0.99 * hoursListeningToPublicRadio
 
 ### 1、线性回归
 
+我们应该怎样从一大堆数据里求出回归方程呢？ 假定输入数据存放在矩阵 x 中，而回归系数存放在向量 w 中。那么对于给定的数据 X1，预测结果将会通过 Y = X1^T w 给出。现在的问题是，手里有一些 X 和对应的 y，怎样才能找到 w 呢？一个常用的方法就是找出使误差最小的 w 。这里的误差是指预测 y 值和真实 y 值之间的差值，使用该误差的简单累加将使得正差值和负差值相互抵消，所以我们采用平方误差。
+
+平方误差可以写做: 
+
+![平方误差](../images/8.Regression/LinearR_18.png)
+
+用矩阵表示还可以写做 ![平方误差_2](../images/8.Regression/LinearR_19.png) 。如果对 w 求导，得到 ![平方误差_3](../images/8.Regression/LinearR_20.png) ，令其等于零，解出 w 如下（具体求导过程为: http://blog.csdn.net/nomadlx53/article/details/50849941 ）:
+
+![回归系数的最佳估计计算公式](../images/8.Regression/LinearR_1.png)
+
 #### 1.1、线性回归 须知概念
 
 ##### 1.1.1、矩阵求逆
@@ -43,7 +53,7 @@ HorsePower = 0.0015 * annualSalary - 0.99 * hoursListeningToPublicRadio
 #### 1.2、线性回归 工作原理
 
 ```
-读入数据，将数据特征想、特征标签y存储在矩阵x、y中
+读入数据，将数据特征x、特征标签y存储在矩阵x、y中
 验证 x^Tx 矩阵是否可逆
 使用最小二乘法求得 回归系数 w 的最佳估计
 ```
@@ -168,7 +178,11 @@ def regression1():
 
 线性回归的一个问题是有可能出现欠拟合现象，因为它求的是具有最小均方差的无偏估计。显而易见，如果模型欠拟合将不能取得最好的预测效果。所以有些方法允许在估计中引入一些偏差，从而降低预测的均方误差。
 
-一个方法是局部加权线性回归（Locally Weighted Linear Regression，LWLR）。在这个算法中，我们给预测点附近的每个点赋予一定的权重，然后与 线性回归 类似，在这个子集上基于最小均方误差来进行普通的回归。与 kNN 一样，这种算法每次预测均需要事先选取出对应的数据子集。该算法解出回归系数 w 的形式如下: 
+一个方法是局部加权线性回归（Locally Weighted Linear Regression，LWLR）。在这个算法中，我们给预测点附近的每个点赋予一定的权重，然后与 线性回归 类似，在这个子集上基于最小均方误差来进行普通的回归。我们需要最小化的目标函数大致为:
+
+![局部加权线性回归回归系数公式](../images/8.Regression/LinearR_21.png)
+
+与 kNN 一样，这种算法每次预测均需要事先选取出对应的数据子集。该算法解出回归系数 w 的形式如下: 
 
 ![局部加权线性回归回归系数公式](../images/8.Regression/LinearR_4.png)
 
@@ -187,7 +201,7 @@ LWLR 使用 “核”（与支持向量机中的核类似）来对附近的点
 #### 2.1、局部加权线性回归 工作原理
 
 ```
-读入数据，将数据特征想、特征标签y存储在矩阵x、y中
+读入数据，将数据特征x、特征标签y存储在矩阵x、y中
 利用高斯核构造一个权重矩阵 W，对预测点附近的点施加权重
 验证 X^TWX 矩阵是否可逆
 使用最小二乘法求得 回归系数 w 的最佳估计
@@ -390,15 +404,15 @@ def abaloneTest():
 
     # 打印出 不同的核预测值 与 新数据集（测试数据集）上的真实值之间的误差大小
     newyHat01 = lwlrTest(abX[100:199], abX[0:99], abY[0:99], 0.1)
-    print "new yHat01 error Size is :" , rssError(abY[0:99], yHat01.T)
+    print "new yHat01 error Size is :" , rssError(abY[0:99], newyHat01.T)
     newyHat1 = lwlrTest(abX[100:199], abX[0:99], abY[0:99], 1)
-    print "new yHat1 error Size is :" , rssError(abY[0:99], yHat1.T)
+    print "new yHat1 error Size is :" , rssError(abY[0:99], newyHat1.T)
     newyHat10 = lwlrTest(abX[100:199], abX[0:99], abY[0:99], 10)
-    print "new yHat10 error Size is :" , rssError(abY[0:99], yHat10.T)
+    print "new yHat10 error Size is :" , rssError(abY[0:99], newyHat10.T)
 
     # 使用简单的 线性回归 进行预测，与上面的计算进行比较
     standWs = standRegres(abX[0:99], abY[0:99])
-    standyHat = mat(abx[100:199]) * standWs
+    standyHat = mat(abX[100:199]) * standWs
     print "standRegress error Size is:", rssError(abY[100:199], standyHat.T.A)
 ```
 
@@ -426,9 +440,11 @@ def abaloneTest():
 
 岭回归最先用来处理特征数多于样本数的情况，现在也用于在估计中加入偏差，从而得到更好的估计。这里通过引入 λ 来限制了所有 w 之和，通过引入该惩罚项，能够减少不重要的参数，这个技术在统计学中也叫作 `缩减(shrinkage)`。
 
+![岭回归](../images/8.Regression/LinearR_22.png)
+
 缩减方法可以去掉不重要的参数，因此能更好地理解数据。此外，与简单的线性回归相比，缩减法能取得更好的预测效果。
 
-这里通过预测误差最小化得到 λ: 数据获取之后，首先抽一部分数据用于测试，生育的作为训练集用于训练参数 w。训练完毕后在测试集上测试预测性能。通过选取不同的 λ 来重复上述测试过程，最终得到一个使预测误差最小的 λ 。
+这里通过预测误差最小化得到 λ: 数据获取之后，首先抽一部分数据用于测试，剩余的作为训练集用于训练参数 w。训练完毕后在测试集上测试预测性能。通过选取不同的 λ 来重复上述测试过程，最终得到一个使预测误差最小的 λ 。
 
 ##### 4.1.1、岭回归 原始代码
 

docs/9.树回归.md

@@ -3,6 +3,23 @@
 
 ![预测数值型数据回归首页](/images/9.TreeRegression/TreeRegression_headPage_xy.png "树回归首页")
 
+## 树回归 概述
+
+`我们本章介绍 CART(Classification And Regression Trees， 分类回归树) 的树构建算法。该算法既可以用于分类还可以用于回归。`
+
+## 树回归 场景
+
+
+
+
+
+
+
+
+
+
+
+
 ## CART 算法
 
 > CART 算法简介

src/python/8.PredictiveNumericalDataRegression/regression.py

@@ -539,15 +539,15 @@ def abaloneTest():
 
     # 打印出 不同的核预测值 与 新数据集（测试数据集）上的真实值之间的误差大小
     newyHat01 = lwlrTest(abX[100:199], abX[0:99], abY[0:99], 0.1)
-    print "new yHat01 error Size is :" , rssError(abY[0:99], yHat01.T)
+    print "new yHat01 error Size is :" , rssError(abY[0:99], newyHat01.T)
     newyHat1 = lwlrTest(abX[100:199], abX[0:99], abY[0:99], 1)
-    print "new yHat1 error Size is :" , rssError(abY[0:99], yHat1.T)
+    print "new yHat1 error Size is :" , rssError(abY[0:99], newyHat1.T)
     newyHat10 = lwlrTest(abX[100:199], abX[0:99], abY[0:99], 10)
-    print "new yHat10 error Size is :" , rssError(abY[0:99], yHat10.T)
+    print "new yHat10 error Size is :" , rssError(abY[0:99], newyHat10.T)
 
     # 使用简单的 线性回归 进行预测，与上面的计算进行比较
     standWs = standRegres(abX[0:99], abY[0:99])
-    standyHat = mat(abx[100:199]) * standWs
+    standyHat = mat(abX[100:199]) * standWs
     print "standRegress error Size is:", rssError(abY[100:199], standyHat.T.A)
 
 
@@ -581,10 +581,12 @@ def regression5():
 
     setDataCollect(lgX, lgY)
     crossValidation(lgX, lgY, 10)
+    
 
 if __name__ == "__main__":
     # regression1()
     # regression2()
+    # abaloneTest()
     # regression3()
-    # regression4()
-    regression5()
+    regression4()
+    # regression5()