嶺回歸（Ridge Regression）是一種用于處理共線性數(shù)據(jù)的線性回歸改進方法。
和上一篇用基于最小二乘法的線性回歸相比，它通過放棄最小二乘的無偏性，
以損失部分信息、降低精度為代價來獲得更實際和可靠性更強的回歸系數(shù)。

1. 概述

嶺回歸的模型對于存在大量相關(guān)特征（這些特征之間存在很高的相關(guān)性）的數(shù)據(jù)時效果遠好于基于最小二乘法的線性模型。

原因就是它通過給系數(shù)的大小增加一個約束條件（即L2正則化項），來防止模型過度擬合訓練數(shù)據(jù)。
損失函數(shù)一般定義為：\(L(w) = (y-wX)^2+\lambda\parallel w\parallel_2\)
其中 \(\lambda\parallel w\parallel_2 = \lambda\sum_{i=1}^{n}w_i^2\)，也就是 L2正則化項。

模型訓練的過程就是尋找讓損失函數(shù)\(L(w)\)最小的參數(shù)\(w\)。
也就等價于：\(\begin{align} & arg\ min(y-wX)^2 \\ & s.t. \sum w_{ij}^2 < s \end{align}\)
這兩個公式表示，在滿足約束條件 \(\sum w_{ij}^2 < s\)的情況下，計算 \((y-wX)^2\)的最小值。

2. 創(chuàng)建樣本數(shù)據(jù)

嶺回歸適用于特征之間有很高關(guān)聯(lián)性的數(shù)據(jù)集。
所以用scikit-learn中的加州住房數(shù)據(jù)集，這個數(shù)據(jù)集有8個房屋售價相關(guān)的屬性，屬性之間關(guān)聯(lián)性高。
數(shù)據(jù)集的文件獲取可以參考：TODO

從上面的文章中下載數(shù)據(jù)集（是一個zip壓縮文件），
如下例所示，下載之后在 D:\share\data 中解壓，就可以加載了。

import os
from sklearn.datasets import fetch_california_housing

home_dir = "D:\share\data"
data = fetch_california_housing(data_home=os.path.join(home_dir, "cal_housing"))
X = data["data"]
y = data["target"]

大約有2萬多條數(shù)據(jù)。

3. 模型訓練

數(shù)據(jù)加載之后，首先劃分訓練集和測試集。

from sklearn.model_selection import train_test_split

# 分割訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.1)

然后用嶺回歸模型訓練數(shù)據(jù)：

from sklearn.linear_model import Ridge

# 初始化嶺回歸線性模型
reg = Ridge()
# 訓練模型
reg.fit(X_train, y_train)

這里，用的Ridge()模型的默認參數(shù)，它的一些主要參數(shù)如下（訓練模型時可根據(jù)情況調(diào)整參數(shù)）：

1. alpha：控制正則化強度的常量，也就是上面公式中的 \(\lambda\)，默認值1，設置為0時，就是最小二乘法
2. fit_intercept：是否擬合此模型的截距，默認 True
3. copy_X：是否復制X（也就是訓練數(shù)據(jù)），默認 True，設置為False的話，有可能會改變訓練數(shù)據(jù)
4. tol：算法迭代時，收斂的精度上限
5. solver：迭代時使用的求解器，包含** {auto, svd, cholesky, lsqr, sparse_cg, sag, saga, lbfgs}** 等算法，默認 auto（根據(jù)數(shù)據(jù)類型自動選擇求解器）

最后，用測試數(shù)據(jù)來驗證訓練后模型的性能。

y_pred = reg.predict(X_test)
mse = metrics.mean_squared_error(y_test, y_pred)
r2 = metrics.r2_score(y_test, y_pred)
m_error = metrics.median_absolute_error(y_test, y_pred)

print("均方誤差：{}".format(mse))
print("復相關(guān)系數(shù)：{}".format(r2))
print("中位數(shù)絕對誤差：{}".format(m_error))

# 運行結(jié)果
均方誤差：0.0029948538129997903
復相關(guān)系數(shù)：0.9987534427417275
中位數(shù)絕對誤差：0.049467455621301726

從結(jié)果來看，模型的性能還不錯，均方誤差和中位數(shù)絕對誤差都比較小，而復相關(guān)系數(shù)高，說明在測試數(shù)據(jù)中，預測的值和實際的值比較接近。

4. 總結(jié)

總之，嶺回歸在很多場景下都有應用，例如多元線性回歸、時間序列預測、特征選擇等。
它的主要優(yōu)點是可以處理共線性數(shù)據(jù)，并且在加入噪聲的情況下會有更穩(wěn)定的性能。

然而，由于其對數(shù)據(jù)的縮放敏感，嶺回歸的一個主要局限性是它可能對數(shù)據(jù)的尺度非常敏感。
此外，嶺回歸正則化參數(shù)的選擇通常需要一些經(jīng)驗或者實驗來確定，這也增加了其應用的復雜性。

PS.
共線性是指特征之間存在高度相關(guān)性，這可能導致線性回歸模型的不穩(wěn)定。

總結(jié)

以上是生活随笔為你收集整理的【scikit-learn基础】--『监督学习』之 岭回归的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。