岭回归——减少过拟合问题

什么是过拟合？
在训练假设函数模型h时，为了让假设函数总能很好的拟合样本特征对应的真实值y，从而使得我们所训练的假设函数缺乏泛化到新数据样本能力。

怎样解决过拟合

过拟合会在变量过多同时过少的训练时发生，我们有两个选择，一是减少特征的数量，二是正则化，今天我们来重点来讨论正则化，它通过设置惩罚项让参数θ足够小，要让我们的代价函数足够小，就要让θ足够小，由于θ是特征项前面的系数，这样就使特征项趋近于零。岭回归与Lasso就是通过在代价函数后增加正则化项。

多元线性回归损失函数：

岭回归回归代价函数：

岭回归的原理

我们从矩阵的角度来看。机器学习的核心在在于求解出θ使J(θ)最小。怎样找到这个θ，经典的做法是使用梯度下降通过多次迭代收敛到全局最小值，我们也可以用标准方程法直接一次性求解θ的最优值。当回归变量X不是列满秩时， XX‘的行列式接近于0，即接近于奇异，也就是某些列之间的线性相关性比较大时，传统的最小二乘法就缺乏稳定性，模型的可解释性降低。因此，为了解决这个问题，需要正则化删除一些相关性较强特征。

标准方程法：

加上正则化后：

这里，λ>=0是控制收缩量的复杂度参数：λ的值越大，收缩量越大，共线性的影响越来越小。在不断增大惩罚函数系数的过程中，画出估计参数0（λ）的变化情况，即为岭迹。通过岭迹的形状来判断我们是否要剔除掉该特征（例如：岭迹波动很大，说明该变量参数有共线性）。

步骤：1.首先要对数据进行一些预处理，尽量把保持所有特征在一个范围内，使用特征缩放和均值归一化来处理特征值是很有必要的，否则，不同特征的特征值大小是没有比较性的。
2.其次构建惩罚函数，针对不同的λ，画出岭迹图。
3.根据岭迹图，选择要剔除那些特征。

一个sckit-learn的example

将岭系数绘制为正则化的函数
本例显示了共线性对估计量系数的影响。岭回归是本例中使用的估计量。 每种颜色表示系数矢量的不同特征，并且这是作为正则化参数的函数显示的。这个例子还显示了将岭回归应用于高度病态的基质的有用性。对于这样的矩阵，目标变量的轻微变化会导致计算权重的巨大差异。在这种情况下，设置一定的正则化（λ）来减少这种变化（噪音）是有用的。当λ很大时，正则化效应支配平方损失函数，并且系数趋于零。在路径的末尾，由于λ趋于零，并且解决方案倾向于普通最小二乘，所以系数显示出大的振荡。 在实践中，需要调整λ以使两者之间保持平衡。

import numpy as np
import matplotlib.pyplot as plt
from sklearn import linear_model

#X为一个10*10的矩阵
X = 1. / (np.arange(1, 11) + np.arange(0, 10)[:, np.newaxis])
y = np.ones(10)

##############################################################################
#设置不同的lambda和参数

n_lambda = 200
lambda = np.logspace(-10, -2, n_lambda)

coefs = []
for a in lambda:
    ridge = linear_model.Ridge(lambda=a, fit_intercept=False)
    ridge.fit(X, y)
    coefs.append(ridge.coef_)

# #############################################################################
#显示绘制结果

ax = plt.gca()

ax.plot(lambda, coefs)
ax.set_xscale(‘log‘)
ax.set_xlim(ax.get_xlim()[::-1])  # reverse axis
plt.xlabel(r‘$\lambda$‘)
plt.ylabel(‘weights‘)
plt.title(‘Ridge coefficients as a function of the regularization‘)
plt.axis(‘tight‘)
plt.show()

结果：

原文地址：http://blog.51cto.com/13820241/2133425