文章目录

1 正则项的含义
2 L1与L2正则项的区别
3 正则的python实现
- 3.1 Lasso 正则
- 3.2 Ridge正则
- 3.3 Elastic Net正则
4 案例实例

本篇博客预备知识：
线性回归最小二乘法的求解推导与基于Python的底层代码实现
线性回归特征扩展的原理与python代码的实现

1 正则项的含义

在线性回归中，正则项是一种用于控制模型复杂度的技术，它通过将系数的大小加入到损失函数中，以限制模型的复杂度。在线性回归中，通常使用L1正则项或L2正则项。正则项的形式可以表示为：

L1正则项（Lasso）：

L 1 = λ ∑ i = 1 p ∣ w i ∣ L_{1} = \lambda \sum_{i=1}^{p} \left| w_i \right| L1=λi=1∑p∣wi∣

L2正则项（Ridge）：

L 2 = λ ∑ i = 1 p w i 2 L_{2} = \lambda \sum_{i=1}^{p} w_i^2 L2=λi=1∑pwi2

其中， p p p是系数的数量， w i w_i wi是第 i i i个系数， λ \lambda λ是正则化参数，用于控制正则化的强度。

L1正则项将系数的绝对值之和作为正则化项，可以促使模型中的某些系数变为0，从而实现特征选择的效果。这意味着，L1正则项可以在模型中选择最重要的特征，从而提高模型的泛化能力。

L2正则项将系数的平方和作为正则化项，可以防止模型中的系数过大，从而减少模型的过拟合。L2正则项在许多机器学习任务中都被广泛使用。

以L2正则项为例，加入正则项前，损失函数为： J ( w ) = 1 2 m ∑ i = 1 m ( h w ( x ( i ) ) − y ( i ) ) 2 J(w) = \frac{1}{2m} \sum_{i=1}^{m} \left(h_w(x^{(i)}) - y^{(i)}\right)^2 J(w)=2m1i=1∑m(hw(x(i))−y(i))2
加入正则项后，损失函数变为: J ( w ) = 1 2 m ∑ i = 1 m ( h w ( x ( i ) ) − y ( i ) ) 2 + λ 2 m ∑ j = 1 n w j 2 J(w) = \frac{1}{2m} \sum_{i=1}^{m} \left(h_w(x^{(i)}) - y^{(i)}\right)^2 + \frac{\lambda}{2m} \sum_{j=1}^{n} w_j^2 J(w)=2m1i=1∑m(hw(x(i))−y(i))2+2mλj=1∑nwj2
其中， h w ( x ( i ) ) h_w(x^{(i)}) hw(x(i))是预测值， y ( i ) y^{(i)} y(i)是实际值， w j w_j wj是第 j j j个特征的权重， λ \lambda λ是正则化参数，用于控制正则化的强度。

这就意味着，在模型拟合中，将会寻找模型在训练集的表现与模型复杂度之中的平衡点。在实践中，通常使用交叉验证来选择最佳的正则化参数 λ \lambda λ，以获得最好的性能和泛化能力。正则项是一种非常有效的技术，可以帮助解决过拟合问题，并提高模型的泛化能力。

2 L1与L2正则项的区别

除了前面提到的L1与L2在算法上的区别之外，还有一个重要的区别在于L1正则项的解不是唯一的，而L2正则项的解是唯一的。这是由于L1正则项的正则化图形是一个菱形，其边界在坐标轴上，而L2正则项的正则化图形是一个圆形，其边界是一个平滑的曲线。这个区别使得L1正则项的解在特定情况下可能不是唯一的。具体见下图：

同时，这一图片也解释了为什么L1正则可以在模型中选择最重要的特征，因其交点更容易出现在坐标轴上，而坐标轴上的点意味着某个 θ \theta θ变为了0。

通常情况下很难说L1和L2正则哪个更好，因此出现了Elastic Net正则化技术，即把L1正则和L2正则结合起来。

Elastic Net的正则化项可以表示为：

L 1 , 2 = λ 1 ∑ i = 1 p ∣ w i ∣ + λ 2 ∑ i = 1 p w i 2 L_{1,2} = \lambda_1 \sum_{i=1}^{p} \left| w_i \right| + \lambda_2 \sum_{i=1}^{p} w_i^2 L1,2=λ1i=1∑p∣wi∣+λ2i=1∑pwi2

其中， λ 1 \lambda_1 λ1和 λ 2 \lambda_2 λ2分别是L1正则项和L2正则项的正则化参数， p p p是系数的数量， w i w_i wi是第 i i i个系数。

Elastic Net的主要优点是可以克服L1和L2正则项各自的缺点，并同时利用它们的优点。通过调整L1和L2正则项的权重，可以控制特征选择和平滑效果之间的权衡，从而实现更好的性能和泛化能力。

3 正则的python实现

3.1 Lasso 正则

使用from sklearn.linear_model import Lasso即可导入Lasso回归的包，之后的建模顺序如下：

导入所需的库和数据（这里和上篇博客一样，也是用波士顿房价）

from sklearn.linear_model import Lasso
from sklearn.datasets import load_boston
boston = load_boston()
X = boston.data
y = boston.target

创建Lasso模型对象

lasso = Lasso(alpha=1.0)

拟合模型

lasso.fit(X, y)

访问模型的系数

print(lasso.coef_)

预测

y_pred = lasso.predict(X)

模型性能评价

from sklearn.metrics import r2_score
print(r2_score(y, y_pred))

这段函数的输出为：

可以看到，部分 θ \theta θ的值为0，加入Lasso正则化成功的起到了特征筛选的作用。

3.2 Ridge正则

在python中使用from sklearn.linear_model import Ridge即可使用Ridge回归，之后的模型训练与使用与Lasso完全相同，非常的简单，这里就不重复讲解。
同样使用波士顿数据集，Ridge正则的代码结果为：

可以看到，这次的 θ \theta θ不再有零值了，但是不重要的特征所对应的 θ \theta θ变得非常小。起到了前面所说的防止模型中的系数过大，从而减少模型的过拟合作用。

3.3 Elastic Net正则

在python中使用from sklearn.linear_model import ElasticNet即可使用Elastic Net回归。与前面两个方法1相比，在创建类市Elastic Net多了一个接收参数：

elastic_net = ElasticNet(alpha=1.0, l1_ratio=0.5)

L1_ratio参数控制L1正则化和L2正则化之间的权重，取值在0-1之间。取1即等同于Lasso，取0等同于Ridge。其他部分的方法与上面也完全一致。

4 案例实例

下面我们使用波士顿房价数据集进行对比三种正则的表现。
首先，我们导入数据，并对数据进行二阶多项式扩展。这里二项式扩展一是为了复习上一篇博客的内容，二是为了模拟日常项目中遇到的无用特征过多的情况。

import numpy as np
from sklearn.datasets import load_boston
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression, Lasso, Ridge, ElasticNet
from sklearn.model_selection import cross_val_score, KFold  # 加载波士顿房价数据集
boston = load_boston()
X = boston.data
y = boston.target  # 进行2阶多项式扩展
poly = PolynomialFeatures(degree=2, include_bias=False)
X_poly = poly.fit_transform(X)

随后，分别定义定义LinearRegression、Lasso、Ridge、ElasticNet模型。这里Ridge回归的惩罚系数给的非常高，远高于另外两种模型。这是因为博主对这个数据集已经进行过尝试，找到了合适的超参范围。实际项目中，建议根据实际情况进行网格搜索（GridSearch）。

# 定义LinearRegression、Lasso、Ridge、ElasticNet模型
lr = LinearRegression()
lasso = Lasso(alpha=1.0)
ridge = Ridge(alpha=100.0)
elastic_net = ElasticNet()

为了对模型的评价更加客观，我们使用5折交叉验证，评估模型的表现。

# 定义5折交叉验证
cv = KFold(n_splits=5, shuffle=True, random_state=1)  # 使用交叉验证评估模型性能
scores_lr = cross_val_score(lr, X_poly, y, scoring='r2', cv=cv)
scores_lasso = cross_val_score(lasso, X_poly, y, scoring='r2', cv=cv)
scores_ridge = cross_val_score(ridge, X_poly, y, scoring='r2', cv=cv)
scores_elastic_net = cross_val_score(elastic_net, X_poly, y, scoring='r2', cv=cv)

最后，计算并输出每个模型的分数，选择最佳的模型。

# 计算交叉验证的R平方分数
r2_lr = np.mean(scores_lr)
r2_lasso = np.mean(scores_lasso)
r2_ridge = np.mean(scores_ridge)
r2_elastic_net = np.mean(scores_elastic_net)  # 输出每个模型的R平方分数
print('Linear Regression R2:', r2_lr)
print('Lasso R2:', r2_lasso)
print('Ridge R2:', r2_ridge)
print('ElasticNet R2:', r2_elastic_net)

这段代码的整体输出结果为：

可以看到各个模型的表现相差不大。这主要是因为波士顿数据集量足够且相对规范，各个模型的表现均较为良好。同时，我们也没有选择各个模型的最佳超参数。

最后提醒大家，如果需要使用模型的话，需要将最佳的模型与超参数取出，重新训练。因为在cv过程中，我们得到了5个模型，无法判断那个最佳，最好是使用全部数据集再训练一次。

点此可免费下载这篇文章的完整代码

线性回归正则项（惩罚项）原理、正则项的分类与Python代码的实现相关推荐

随机森林分类算法python代码_随机森林的原理及Python代码实现
原标题:随机森林的原理及Python代码实现最近在做kaggle的时候,发现随机森林这个算法在分类问题上效果十分的好,大多数情况下效果远要比svm,log回归,knn等算法效果好.因此想琢磨琢磨这个 ...
随机森林分类算法python代码_Python机器学习笔记：随机森林算法
随机森林算法的理论知识随机森林是一种有监督学习算法,是以决策树为基学习器的集成学习算法.随机森林非常简单,易于实现,计算开销也很小,但是它在分类和回归上表现出非常惊人的性能,因此,随机森林被誉为&q ...
base64原理及加密C、Python代码
Base64会使用一串固定编码,其标准为: ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789+/ 这称为base64编码表, ...
一文速学数模-分类模型(一)SVM(Support Vector Machines)支持向量机算法原理以及应用详解+Python代码实现
目录前言一.引论二.理论铺垫线性可分性(linear separability) 超平面决策边界
如何用机器学习算法来进行电影分类?(含Python代码)
电影分析--K近邻算法周末,小迪与女朋友小西走出电影院,回味着刚刚看过的电影. 小迪:刚刚的电影很精彩,打斗场景非常真实,又是一部优秀的动作片! 小西:是吗?我怎么感觉这是一部爱情片呢?真心被男主女 ...
随机森林分类算法python代码_独家 | 一文读懂随机森林的解释和实现（附python代码）...
作者:William Koehrsen 翻译:和中华校对:李润嘉本文约6000字,建议阅读15分钟. 本文从单棵决策树讲起,然后逐步解释了随机森林的工作原理,并使用sklearn中的随机森林对某个 ...
python划分代码_多分类评价指标python代码
from sklearn.metrics import precision_score,recall_score print (precision_score(y_true, y_scores,ave ...
机器学习（五）logistic回归进行二分类以及多分类（Python代码）
文章目录一.相关概念 1.logistic回归 1.1前言 1.2目的 1.3流程 1.4Sigmoid函数 1.4.1公式 1.4.2图像 1.5优缺点 2.最优化方法 2.1梯度上升算法 2.1 ...
数据分析系列：归因分析原理、案例（附python代码）
本文主要对以下指标的计算和解释进行阐述,并使用案例说明,最后利用python编写代码进行计算: risk ratios and rate ratios(风险比率和比率比率,RR) risk diffe ...

线性回归正则项（惩罚项）原理、正则项的分类与Python代码的实现

文章目录

1 正则项的含义

2 L1与L2正则项的区别

3 正则的python实现

3.1 Lasso 正则

3.2 Ridge正则

3.3 Elastic Net正则

4 案例实例

线性回归正则项（惩罚项）原理、正则项的分类与Python代码的实现相关推荐

最新文章

热门文章

线性回归 正则项（惩罚项）原理、正则项的分类与Python代码的实现

文章目录

1 正则项的含义

2 L1与L2正则项的区别

3 正则的python实现

3.1 Lasso 正则

3.2 Ridge正则

3.3 Elastic Net正则

4 案例实例

线性回归 正则项（惩罚项）原理、正则项的分类与Python代码的实现相关推荐

最新文章

热门文章

线性回归正则项（惩罚项）原理、正则项的分类与Python代码的实现

线性回归正则项（惩罚项）原理、正则项的分类与Python代码的实现相关推荐