Fundamentos de regressão linear em Python

A área de data science avançou como poucas. Ela reúne diversos domínios — Estatística, Álgebra Linear, Machine Learning, Bancos de Dados — e os conecta da forma mais inteligente possível. Mas, no coração disso tudo, o que torna esse campo tão fascinante? — Os poderosos algoritmos estatísticos

Um desses algoritmos clássicos é a regressão linear. Apesar de antiga, ela está longe de ser irrelevante para quem está começando em ciência de dados. Entender o princípio por trás do funcionamento da regressão linear é essencial para compreender a evolução de toda uma classe de algoritmos estatísticos chamada de Modelos Lineares Generalizados. Além disso, ajuda você a entender outros componentes típicos de algoritmos estatísticos/de machine learning, como funções de custo, coeficientes, otimização etc.

Como o título deste tutorial sugere, você vai explorar a regressão linear em detalhes. Antes de mergulhar nas teorias por trás dela, vamos clarificar o termo regressão.

Entendendo um problema de regressão

Regressão pertence à classe de tarefas de aprendizado supervisionado, nas quais os conjuntos de dados usados para modelagem preditiva/estatística contêm rótulos contínuos. Vamos definir um problema de regressão de forma mais matemática.

Considere a imagem a seguir: Fonte: notas de aula do Andrew Ng

Na imagem acima, X é o conjunto de valores que correspondem à área útil de várias casas (o espaço de entradas) e y é o preço das respectivas casas, mas repare que esses valores são previstos por h. h é a função que mapeia os valores de X em y (frequentemente chamada de preditor). Por razões históricas, essa h é chamada de função de hipótese. Observe também que este dataset tem apenas uma feature, ou seja, a área útil das casas — encare como um conjunto de brinquedo para fins didáticos.

Note que os valores previstos aqui são contínuos. Seu objetivo final é, dado um conjunto de treino, aprender uma função $h : \mathcal{X} \rightarrow \mathcal{Y}$ tal que h(x) seja um bom preditor para o valor correspondente de y. Lembre-se ainda de que os domínios de valores de X e Y são números reais, ou seja: $\mathcal{X} = \mathcal{Y} = \mathbb{IR}$, onde $\mathbb{IR}$ é o conjunto dos números reais.

Um par (x⁽ⁱ⁾, y⁽ⁱ⁾) é chamado de exemplo de treino. Você pode definir o conjunto de treino como {(x⁽ⁱ⁾, y⁽ⁱ⁾) ; i = 1,...,m} (caso ele contenha m instâncias e haja apenas uma feature x no dataset).

Um pouco de matemática para garantir que nada se perca, nem no básico. Segundo Han, Kamber e Pei —

"Em geral, esses métodos são usados para prever o valor de uma variável resposta (dependente) a partir de uma ou mais variáveis preditoras (independentes), quando as variáveis são numéricas." - Data Mining: Concepts and Techniques (3ª ed.)

Simples assim!

Ao entender um problema típico de regressão, você também viu como definir uma hipótese para ele. Mandou bem. Agora, vamos direto para a mecânica da regressão linear.

Regressão linear — como funciona?

Antes dos detalhes, vale uma curiosidade histórica: sua origem remonta ao século XVIII. O grande Carl Friedrich Gauss propôs a forma mais elementar de regressão estatística — embora haja debates sobre isso. Se quiser ver as discussões entre Gauss e Adrien-Marie Legendre, confira aqui.

A regressão linear é um dos algoritmos mais conhecidos e compreendidos na estatística e no machine learning. Ela surgiu na estatística como um modelo para entender a relação entre variáveis numéricas de entrada e saída e, com o tempo, virou parte central do arsenal moderno de machine learning.

Vamos usar um dataset simples. Usaremos o mesmo conjunto de preços de casas, agora com duas features. A tarefa continua sendo prever o preço da casa.

Fonte: notas de aula do Andrew Ng

Como mencionado, agora os x’s são bidimensionais, ou seja, o dataset tem duas features. Por exemplo, x₁⁽ⁱ⁾ é a área útil da i-ésima casa no treino e x₂⁽ⁱ⁾ é o número de quartos.

Para realizar a regressão, você precisa decidir como representar h. Como escolha inicial, vamos aproximar y como uma função linear de x:

Aqui, os θ_i são os parâmetros (ou pesos) que parametrizam o espaço das funções lineares de $\mathcal{X}$ para $\mathcal{Y}$. Em termos simples, esses parâmetros fazem o mapeamento preciso de $\mathcal{X}$ para $\mathcal{Y}$. Para simplificar, vamos omitir o subscrito em h_θ(x) e escrever apenas h(x). E, para simplificar ainda mais a notação, adotaremos a convenção x₀ = 1 (termo de intercepto), de modo que

onde, no lado direito, tratamos θ e x como vetores; aqui n é o número de variáveis de entrada (sem contar x₀).

Mas surge a pergunta: como escolher ou aprender os parâmetros θ? Você não pode alterar as entradas para prever os preços — só pode ajustar os θ.

Uma abordagem natural é fazer h(x) ficar o mais próximo possível de y, ao menos nos exemplos de treino. Formalmente, vamos definir uma função que, para cada valor de θ, mede o quão perto os h(x⁽ⁱ⁾) estão dos respectivos y⁽ⁱ⁾. Ela tem a forma:

Fonte: StackOverflow

Por que usar o erro ao quadrado em vez do valor absoluto? Em resumo, o termo ao quadrado facilita operações futuras no treinamento do modelo. Se quiser aprofundar, veja aqui.

Você acabou de ver uma das fórmulas mais importantes em Data Science/Machine Learning/Estatística: a função de custo.

Essa derivação é essencial porque, além de levar à evolução seguinte da regressão linear (Mínimos Quadrados Ordinários), ela fundamenta toda uma família de algoritmos de modelagem linear (lembra dos Modelos Lineares Generalizados?).

É importante notar que a regressão linear costuma ser dividida em duas formas básicas:

• Regressão linear simples (SLR), que lida com apenas duas variáveis (o caso que você viu primeiro)
• Regressão linear múltipla (MLR), que lida com mais de duas variáveis (o caso que você acabou de ver)

Conceitos diretos, mas que podem gerar confusão.

Você já construiu a base da regressão linear. Agora, vamos estudar maneiras de estimar os parâmetros vistos acima. Essa estimação é, essencialmente, o treinamento da regressão linear. Há vários métodos para treinar um modelo de regressão linear, sendo Mínimos Quadrados Ordinários (OLS) o mais popular. É comum referir-se ao modelo treinado com OLS como Regressão Linear por Mínimos Quadrados ou simplesmente Regressão por Mínimos Quadrados.

Nota: neste contexto, os parâmetros também são chamados de coeficientes do modelo.

Otimização de um modelo de regressão linear — abordagens

Aprender/treinar um modelo de regressão linear significa estimar os valores dos coeficientes/parâmetros da representação usando os dados disponíveis.

Nesta seção, você verá rapidamente algumas técnicas para preparar um modelo de regressão linear.

Regressão por mínimos quadrados

Você deixou a seção anterior com a ideia de escolher θ para minimizar J(θ). Para isso, vamos usar um algoritmo de busca que parte de um "chute inicial" para θ e o ajusta iterativamente para reduzir J(θ) até, idealmente, convergir para um valor que minimize J(θ). Especificamente, considere o algoritmo de gradiente descendente, que começa com um θ inicial e repete a atualização:

Fonte: notas de aula do Andrew Ng

(Essa atualização é realizada simultaneamente para j = 0, ..., n.) Aqui, α é a taxa de aprendizado. É um algoritmo natural que dá passos na direção de maior queda de J. Esse α controla o quão grande é o passo rumo à redução de J. Visualmente, fica assim:

Fonte: ml-cheatsheet

Intuitivamente, a fórmula acima expressa a pequena variação em J em relação ao parâmetro θ_j e como isso afeta o valor inicial de θ_j. Há uma derivada parcial envolvida; a dedução completa foge ao escopo deste tutorial.

Para um único exemplo de treino, obtemos a seguinte regra de atualização:

Fonte: ml-cheatsheet

Essa regra é chamada de LMS ("least mean squares") e também é conhecida como regra de aprendizado de Widrow-Hoff.

Resumindo alguns pontos no contexto de OLS:

"O procedimento de Mínimos Quadrados Ordinários busca minimizar a soma dos resíduos ao quadrado. Dada uma linha de regressão ajustada aos dados, calculamos a distância de cada ponto até a linha, elevamos ao quadrado e somamos todos os erros quadráticos. É essa quantidade que o OLS procura minimizar." - Jason Brownlee

Otimização com gradiente descendente

Na regra de treinamento anterior, você já viu como incorporar o gradiente descendente aqui. Essencialmente, é um processo de otimização dos coeficientes minimizando iterativamente o erro do modelo nos dados de treino.

Em resumo, começa-se com valores aleatórios para cada coeficiente. Calcula-se a soma dos erros ao quadrado para cada par de entrada e saída. Usa-se uma taxa de aprendizado como fator de escala e atualizam-se os coeficientes na direção que minimiza o erro. O processo se repete até atingir um erro mínimo ou não haver mais melhoria.

O termo α (taxa de aprendizado) é crucial, pois determina o tamanho do passo de melhoria em cada iteração.

Há duas variantes comuns do gradiente descendente:

• O método que analisa todos os exemplos do conjunto de treino a cada passo, chamado de batch gradient descent.
• O método em que você percorre o conjunto de treino repetidamente e, a cada exemplo, atualiza os parâmetros com base no gradiente do erro relativo apenas àquele exemplo. Esse algoritmo é o stochastic gradient descent (também chamado de gradiente descendente incremental).

É isso sobre gradiente descendente por aqui. Agora, vamos ver outra forma de otimizar um modelo de regressão linear: regularização.

Regularização

A DataCamp já tem um bom artigo introdutório sobre regularização. Vale conferir antes de seguir.

Em geral, métodos de regularização penalizam coeficientes de features com valores extremamente altos e, assim, reduzem o erro. Isso não só melhora a taxa de erro, como também reduz a complexidade do modelo. É especialmente útil quando você tem um dataset com muitas features e seu modelo base não consegue diferenciar bem a importância entre elas (nem todas as features são igualmente importantes, certo?).

Há duas variantes de regularização para regressão linear:

Lasso Regression: adiciona um termo de penalização equivalente ao valor absoluto da magnitude dos coeficientes (também chamada de regularização L1). O termo de penalização é:

onde:

• $\lambda$ é o fator constante usado para controlar a velocidade de melhoria do erro (taxa de aprendizado)
• o dataset tem (M+1) features, então o índice vai de 0 a M. w_j é o peso/coeficiente.

Ridge Regression: adiciona um termo de penalização equivalente ao quadrado da magnitude dos coeficientes (também chamada de regularização L2). O termo de penalização é:

Ainda vale a pena aprender regressão linear?

E como! Você viu como a regressão linear apresenta, de forma elegante, conceitos críticos de machine learning como funções de custo, otimização, relações entre variáveis e muito mais. Tudo isso é vital mesmo quando você constrói uma rede neural. A aplicação muda em alguns pontos, mas os conceitos gerais permanecem. Sem entender esses fundamentos, você não consegue diagnosticar por que sua rede neural não está performando bem.

Além disso, a ideia simples de modelar relações entre variáveis deu origem a muitos conceitos e, principalmente, a uma família inteira de algoritmos — Modelos Lineares Generalizados. Para quem aspira a trabalhar com Data Science/Machine Learning/Inteligência Artificial, esse algoritmo é indispensável. Você já percebeu isso!

Agora, vamos implementar uma regressão linear simples em Python. Vai ser divertido!

Um estudo de caso em Python

Neste estudo de caso, primeiro usaremos a biblioteca Statsmodel para Python. Ela é bastante popular e oferece classes e funções para estimar diversos modelos estatísticos, conduzir testes e explorar dados. Para os dados, usaremos o famoso Boston House dataset. O poderoso scikit-learn já inclui esse dataset, então não é preciso baixá-lo separadamente.

Vamos começar importando a biblioteca statsmodels e o dataset:

import statsmodels.api as sm
from sklearn import datasets

data = datasets.load_boston()

O scikit-learn fornece uma descrição do dataset, que pode ser visualizada assim:

print (data.DESCR)

Boston House Prices dataset
===========================

Notes
------
Data Set Characteristics:  

    :Number of Instances: 506

    :Number of Attributes: 13 numeric/categorical predictive

    :Median Value (attribute 14) is usually the target

    :Attribute Information (in order):
        - CRIM     per capita crime rate by town
        - ZN       proportion of residential land zoned for lots over 25,000 sq.ft.
        - INDUS    proportion of non-retail business acres per town
        - CHAS     Charles River dummy variable (= 1 if tract bounds river; 0 otherwise)
        - NOX      nitric oxides concentration (parts per 10 million)
        - RM       average number of rooms per dwelling
        - AGE      proportion of owner-occupied units built prior to 1940
        - DIS      weighted distances to five Boston employment centres
        - RAD      index of accessibility to radial highways
        - TAX      full-value property-tax rate per $10,000
        - PTRATIO  pupil-teacher ratio by town
        - B        1000(Bk - 0.63)^2 where Bk is the proportion of blacks by town
        - LSTAT    % lower status of the population
        - MEDV     Median value of owner-occupied homes in $1000's

    :Missing Attribute Values: None

    :Creator: Harrison, D. and Rubinfeld, D.L.

This is a copy of UCI ML housing dataset.
http://archive.ics.uci.edu/ml/datasets/Housing


This dataset was taken from the StatLib library which is maintained at Carnegie Mellon University.

The Boston house-price data of Harrison, D. and Rubinfeld, D.L. 'Hedonic
prices and the demand for clean air', J. Environ. Economics & Management,
vol.5, 81-102, 1978.   Used in Belsley, Kuh & Welsch, 'Regression diagnostics
...', Wiley, 1980.   N.B. Various transformations are used in the table on
pages 244-261 of the latter.

The Boston house-price data has been used in many machine learning papers that address regression
problems.   

**References**

   - Belsley, Kuh & Welsch, 'Regression diagnostics: Identifying Influential Data and Sources of Collinearity', Wiley, 1980. 244-261.
   - Quinlan, R. (1993). Combining Instance-Based and Model-Based Learning. In Proceedings on the Tenth International Conference of Machine Learning, 236-243, University of Massachusetts, Amherst. Morgan Kaufmann.
   - many more! (see http://archive.ics.uci.edu/ml/datasets/Housing)

Antes de aplicar a regressão linear, precisamos preparar os dados e separar as features do rótulo. MEDV (valor mediano da casa) é o rótulo aqui. Você pode acessar as features usando o atributo feature_names.

Um pouco de pandas ajuda muito. Este cheat sheet é imperdível para revisar conceitos básicos de pandas.

# Pandas e NumPy
import numpy as np
import pandas as pd

# Definir as features
df = pd.DataFrame(data.data, columns=data.feature_names)

# Definir o target
target = pd.DataFrame(data.target, columns=["MEDV"])

Neste ponto, vale considerar alguns pontos importantes sobre regressão linear antes de aplicá-la aos dados. Poderíamos ter visto antes, mas entender esses fatores agora ajuda a dar o clique.

• Suposição de linearidade: a regressão linear busca capturar a relação entre variáveis de entrada e saída. Para isso, assume que essa relação é linear (o que nem sempre é verdade). Mas você pode transformar os dados para aproximar uma relação linear. Por exemplo, se a relação for exponencial, aplique uma transformação log para linearizar.
  
  
• Colinearidade entre features: colinearidade mede, matematicamente, a importância/relacionamento entre features. Quando as features são muito correlacionadas entre si, a regressão linear pode falhar em aproximar bem a relação e tende a overfitting. Por isso, é eficiente detectar e remover as features altamente correlacionadas antes de aplicar regressão linear. Para saber mais, confira este excelente kernel no Kaggle.

Mão na massa. Para simplificar, vamos começar apenas com a feature RM — número médio de quartos. Note que o Statsmodels não adiciona um termo constante (lembre o θ₀) por padrão. Vamos ver primeiro sem o termo constante:

X = df["RM"]
y = target["MEDV"]

# Ajustar e gerar previsões
model = sm.OLS(y, X).fit()
predictions = model.predict(X)

# Estatísticas do modelo
model.summary()

Uau — muita informação para quem vê pela primeira vez. Vamos aos pontos mais importantes:

• A primeira observação é que você está usando o método OLS para treinar o modelo de regressão linear.
  
  
• Há um valor de R-squared. O R² é a “porcentagem da variância explicada” pelo modelo. Ou seja, é a fração pela qual a variância dos erros é menor do que a variância da variável dependente. Vai de 0 a 1 (0% a 100%). Ele dá uma noção de como os movimentos da variável dependente se relacionam com os da variável independente. Não diz se seu modelo é bom ou ruim, nem se há viés nos dados e previsões. R² alto ou baixo, sozinho, não é necessariamente bom ou ruim: não garante a confiabilidade do modelo nem que você escolheu a regressão certa.
  
  
• O coeficiente (coef) de 3.634 significa que, se RM aumenta em 1, o valor previsto de MEDV aumenta em 3.634.
  
  
• Há um intervalo de confiança de 95% para RM, indicando que o coeficiente estimado para RM está entre 3.548 e 3.759 com 95% de confiança.

Esses são os pontos essenciais por enquanto (pode ignorar o warning).

É fácil adicionar o termo constante ao modelo: use X = sm.add_constant(X) (X é o dataframe com as variáveis independentes).

X = sm.add_constant(X)

model = sm.OLS(y, X).fit()
predictions = model.predict(X)

model.summary()

Perceba que a adição do termo constante afeta diretamente o coeficiente. Sem o termo, o modelo passava pela origem; agora temos intercepto em -34.67. A inclinação do preditor RM também mudou de 3.634 para 9.1021 (coeficiente de RM).

Agora, vamos ajustar um modelo com mais de uma variável — adicionaremos LSTAT (percentual da população de menor status) junto com RM. O procedimento de ajuste é o mesmo:

X = df[["RM", "LSTAT"]]
y = target["MEDV"]

model = sm.OLS(y, X).fit()
predictions = model.predict(X)

model.summary()

Interpretando:

Este modelo tem um R² bem mais alto — 0.948, o que significa que captura 94,8% da variância da variável dependente. Agora, vamos entender a relação entre RM, LSTAT e o valor mediano das casas. Quando RM aumenta em 1, MEDV aumenta em 4.9069; quando LSTAT aumenta em 1, MEDV diminui em 0.6557. Isso indica que RM e LSTAT são estatisticamente significativas para prever (ou estimar) o valor mediano das casas.

Em bom português:

• Casas com poucos quartos tendem a ter preços mais baixos.
• Em áreas onde o status socioeconômico é mais baixo, os preços das casas tendem a ser menores.

Bem mais claro, né?

Esse foi o exemplo de regressão linear simples e múltipla no Statsmodels. Como tarefa, investigue e interprete os resultados com mais features.

Em seguida, veja como implementar regressão linear com o scikit-learn. O dataset já está importado — falta importar a classe linear_model.

from sklearn import linear_model

X = df
y = target["MEDV"]

lm = linear_model.LinearRegression()
model = lm.fit(X,y)

Pronto: modelo treinado. Essa implementação do sklearn também usa OLS. Vamos fazer previsões de MEDV para as cinco primeiras amostras.

predictions = lm.predict(X)
print(predictions[0:5])

[30.00821269 25.0298606  30.5702317  28.60814055 27.94288232]

Se quiser mais detalhes (R², coeficientes etc.) do seu modelo, é fácil obter.

lm.score(X,y)

0.7406077428649427

lm.coef_

array([-1.07170557e-01,  4.63952195e-02,  2.08602395e-02,  2.68856140e+00,
       -1.77957587e+01,  3.80475246e+00,  7.51061703e-04, -1.47575880e+00,
        3.05655038e-01, -1.23293463e-02, -9.53463555e-01,  9.39251272e-03,
       -5.25466633e-01])

Fechando

Mandou muito bem até aqui. Cobrir um dos algoritmos mais simples e fundamentais não é trivial, mas você conseguiu. Além de entender a regressão linear simples, você viu diversos conceitos, termos e fatores essenciais de machine learning — e ainda fez um estudo de caso em Python.

Este tutorial também pode servir de motivação para você implementar regressão linear do zero. Seguem os passos, em linhas gerais:

• Calcular média e variância dos dados
• Calcular covariância
• Estimar coeficientes
• Gerar previsões

Algumas referências usadas na preparação deste tutorial:

• Curso de Machine Learning da Coursera (ministrado pelo Andrew Ng)
• Implementando regressão linear do zero
• The Elements of Statistical Learning
• Simple and Multiple Linear Regression in Python, por Adi Bronshtein

Se quiser aprender mais sobre classificadores lineares, faça o curso Linear Classifiers in Python da DataCamp.

Confira também nosso tutorial sobre a equação normal para regressão linear.