（六）Ridge回归--岭回归

2020-04-07 本文已影响0人羽天驿

一、本质是改良后的最小二乘法。

原理1.png

原理2.png

作用.png

岭回归是一种专用于共线性数据分析的有偏估计回归方法，实质上是一种改良的最小二乘估计法，通过放弃最小二乘法的无偏性（精确解），以损失部分信息、降低精度为代价获得回归系数更为符合实际、更可靠的回归方法，对病态数据的拟合要强于OLS

损失函数
$\min\limits_w||Xw - y||_2^2 + \alpha||w||_2^2$
$J(w) = \frac{1}{m}(||Xw - y||_2^2 + \alpha||w||_2^2)$ m代表样本量，求平均
$J(w) = \frac{1}{m}\sum\limits_{i=1}^m[(Xw - y)^T(Xw - y) + \alpha w^Tw]$
$\frac{dX^T}{dX} = I$ 求解出来是单位矩阵
$\frac{dX}{dX^T} = I$
$\frac{dX^TA}{dX} = A$
$\frac{dAX}{dX} = A^T$
$\frac{dXA}{dX} = A^T$
$\frac{dAX}{dX^T} = A$
求解梯度
- 前半部分和之前的线性回归一模一样
- $J'(w) = \frac{2}{m} [X^T(Xw - y) +\alpha w]$
- $\nabla_wJ(w) = \frac{2}{m} [X^T(Xw - y) +\alpha w]$

从损失函数，推导出岭回归的正规方程
- $J(w) = ||Xw - y||_2^2 + \alpha||w||_2^2$
- $J(w) = (Xw - y)^T(Xw - y) + \alpha w^Tw$
- $\nabla_wJ(w) = 2X^TXw - 2X^Ty + 2\alpha w$
- 令导数为0
- $0 = X^TXw - X^Ty + \alpha w$
- $0=X^TXw - X^Ty + \alpha Iw$ $I$ 是单位矩阵
- $0 = (X^TX +\alpha I)w - X^Ty$
- $(X^TX + \alpha I)w = X^Ty$
- $(X^TX + \alpha I)^{-1}(X^TX + \alpha I)w = (X^TX + \alpha I)^{-1}X^Ty$
- $w = (X^TX + \alpha I)^{-1}X^T y$
其中,α≥0是控制模型复杂度的因子(可看作收缩率的大小),α越大,收缩率越大, 那么系数对于共线性的鲁棒性更强

$epsilon$ 就是步幅，学习率之前代码中使用step表示变量
$w = w - \epsilon \nabla_wJ(w)$
$w = w - \frac{2}{m}\epsilon[X^T(Xw - y) + \alpha w]$
$w = w - \frac{2\epsilon}{m}X^T(Xw - y) - \frac{2\alpha\epsilon}{m}w$
$w = [w - \frac{2\epsilon}{m}X^T(Xw - y)] - \frac{2\epsilon\alpha}{m}w$
前半部分相当于线性回归更新规则
也就是说，领回归是线性回归的基础上多减了一项 $\frac{2\epsilon\alpha}{m}w$
$\alpha >= 0$ 缩放强度
- $\epsilon >=0$ 步幅
$m > 0$ 样本数量大于0
当w如果是正的数： $w = [w - \frac{2\epsilon}{m}X^T(Xw - y)] - \frac{2\epsilon\alpha}{m}w$ 多减去 $\frac{2\epsilon\alpha}{m}w$
- 结果，系数w变小
当w如果是负的数： $w = [w - \frac{2\epsilon}{m}X^T(Xw - y)] - \frac{2\epsilon\alpha}{m}w$ 多减去 $\frac{2\epsilon\alpha}{m}w$
- 负负得正
- w加上了正的一个数
- w是-10 + 2 = -8
- 结果：系数w的绝对值变小
正则项：
- regularizaton
- 规则，增加规则，希望系数按照某种规则变化
- 岭回归什么样的规则
- 无论w正负，希望w绝对值变小
- w变小，好处：
- 防止过拟合

二、代码

（一。岭回归）

这两个模型，都是解方程，构建模型

对比，建模的哪些不同

import numpy as np

from sklearn.linear_model import LinearRegression,Ridge

from sklearn import datasets

d:\python3.7.4\lib\importlib\_bootstrap.py:219: RuntimeWarning: numpy.ufunc size changed, may indicate binary incompatibility. Expected 192 from C header, got 216 from PyObject
  return f(*args, **kwds)

X,y = datasets.load_boston(True)
X.shape

(506, 13)

linear = LinearRegression()
linear.fit(X,y)
w_ = linear.coef_
b_ = linear.intercept_
print('普通线性回归斜率是：\n',w_)
print('普通线性回归截距是：',b_)

普通线性回归斜率是：
 [-1.08011358e-01  4.64204584e-02  2.05586264e-02  2.68673382e+00
 -1.77666112e+01  3.80986521e+00  6.92224640e-04 -1.47556685e+00
  3.06049479e-01 -1.23345939e-02 -9.52747232e-01  9.31168327e-03
 -5.24758378e-01]
普通线性回归截距是： 36.45948838509001

ridge = Ridge(alpha= 10)
ridge.fit(X,y)
w_ = ridge.coef_
b_ = ridge.intercept_
print('岭回归斜率是：\n',w_)
print('岭回归截距是：',b_)

岭回归斜率是：
 [-0.10143535  0.0495791  -0.0429624   1.95202082 -2.37161896  3.70227207
 -0.01070735 -1.24880821  0.2795956  -0.01399313 -0.79794498  0.01003684
 -0.55936642]
岭回归截距是： 27.467884964141252

ridge = Ridge(alpha= 0)
ridge.fit(X,y)
w_ = ridge.coef_
b_ = ridge.intercept_
print('岭回归斜率是：\n',w_)
print('岭回归截距是：',b_)

岭回归斜率是：
 [-1.08011358e-01  4.64204584e-02  2.05586264e-02  2.68673382e+00
 -1.77666112e+01  3.80986521e+00  6.92224640e-04 -1.47556685e+00
  3.06049479e-01 -1.23345939e-02 -9.52747232e-01  9.31168327e-03
 -5.24758378e-01]
岭回归截距是： 36.45948838508981

（六）Ridge回归--岭回归

一、本质是改良后的最小二乘法。

二、代码

这两个模型，都是解方程，构建模型

对比，建模的哪些不同

猜你喜欢

热点阅读