概念 线性回归（Linear Regression）是一种通过属性的线性组合来进行预测的线性模型，其目的是找到一条直线或者一个平面或者更高维的超平面，使得预测值与真实值之间的误差最小化。特点 优点：结果具有很好的可解释性（w直观表达了各属性在预测中的重要性），计算熵不复杂。 缺点：对非线性数据拟合不好 适用数据类型：数值型和标称型数据 3.函数模型： 模型表达：预测值和真实值之间存在误差：即：
转载
2023-10-18 19:39:50
64阅读
其他线性模型1 共线性与L2正则化2 Lasso回归3 多任务Lasso回归4 弹性网络5 随机梯度下降6 回归模型的评价标准7 岭回归交叉验证8 岭回归调参 1 共线性与L2正则化L2正则化，可以使系数w的绝对值变小，使对应的特征项对结果的影响变小。如果数据没有问题，多元线性回归和多项式回归中，才有使用正则化的必要，一元线性回归不需要L2正则化。 在岭回归中，经常能看到共线性（collinea
转载
2024-04-17 13:28:09
52阅读
在介绍岭回归算法与Lasso回归算法之前，先要回顾一下线性回归算法。根据线性回归模型的参数估计公式可知可知，得到的前提是矩阵可逆。换句话说就是样本各个特征（自变量）之间线性无关。然而在实际问题中，常常会出现特征之间出现多重共线性的情况，使得行列式的值接近于0，最终造成回归系数无解或者无意义。 为了解决这个问题，岭回归算法的方法是在线性回归模型的目标函数之上添加一个l2的正则项，进而使得模
转载
2023-12-22 21:01:41
80阅读
在介绍岭回归算法与Lasso回归算法之前，先要回顾一下线性回归算法。根据线性回归模型的参数估计公式可知可知，得到的前提是矩阵可逆。换句话说就是样本各个特征（自变量）之间线性无关。然而在实际问题中，常常会出现特征之间出现多重共线性的情况，使得行列式的值接近于0，最终造成回归系数无解或者无意义。 为了解决这个问题，岭回归算法的方法是在线性回归模型的目标函数之上添加一个l2的正则项，进而使得模
转载
2023-07-11 11:05:43
196阅读
我近半年每个月所写博客的数量# -*- coding: utf-8 -*-"""Created on Fri Sep 1 18:23:07 2017@author: Administrator""
转载
2023-01-13 00:28:10
148阅读
在之前已知在实际应用时，如果样本容量不远远大于样本的特征维度，很可能造成过拟合，对这种情况，我们有下面三个解决方式：加数据特征选择（降低特征维度）如 PCA 算法。正则化正则化一般是在损失函数（如上面介绍的最小二乘损失）上加入正则化项（表示模型的复杂度对模型的惩罚）作者：tsyw一般的，正则化框架有 当使用L1 Lasso时，对应正则化框架 当使用L2 Ridge（岭回归）时，对应正则化框架对于L
岭回归与多项式回归的最大区别就是损失函数上的区别。岭回归的代价函数如下：为了方便计算导数，通常也会写成以下形式：上述式子中w为长度为n的向量，不包括偏置项的系数 θ0，θ是长度为n+1的向量，包括偏置项系数θ0；m为样本数，n为特征数。岭回归的代价函数仍然是凸函数，因此可以利用梯度等于0的方式求得全局最优解：上述方程与一般线性回归方程相比多了一项λI，其中I表示单位矩阵，加入XTX是一个奇异矩阵（
转载
2020-04-30 14:08:00
826阅读
2评论
岭回归解决线性回归参数β可能出现的不合理的情况，当出现自变量的数量多余样本数的数量或自变量之间存在多重共线性的情况时回归系数无法按照模型公式来计算估计值实现思路就是在原来线性回归的基础之上加一个l2惩罚项(正则项)交叉验证让所有的数据都参与模型的构建和模型的测试(10重交叉验证)100样本量拆封成10组，选取一组数据，剩下的九组数据建立模型可得该组合的模型及其检验值，如此可循环十次，便可以获得十个
转载
2023-08-04 21:14:06
218阅读
岭回归的原理：首先要了解最小二乘法的回归原理设有多重线性回归模型 y=Xβ+ε ,参数β的最小二乘估计为当自变量间存在多重共线性,|X'X|≈0时，设想|X'X|给加上一个正常数矩阵(k>0)那么|X'X|+kI 接近奇异的程度就会比接近奇异的程度小得多。考虑到变量的量纲问题，先要对数据标准化，标准化后的设计矩阵仍用X表示，定义称为的岭回归估计，其中，k称为岭参数。
转载
2023-06-26 11:06:44
407阅读
上一节我们利用线性回归模型，预测了岩石和矿石的分类问题，但是我们发现训练集的预测效果比预测集的好，这就可能是过拟合导致的。下面便介绍今天的学习内容：通过设置合适的惩罚系数 α 来控制回归系数 β 不至于过大, 其中有一种称为“岭回归”具体实现方案，其对应的数学表示： 于是解决过拟合的问题变成对选择适合 α 进行训练，使测试集预测的误差最小。 注意：当 α=0时，就是普通的最小二乘法问题。 这里公式
转载
2023-11-10 10:30:09
70阅读
什么是岭回归？岭回归是专门用于共线性数据分析的有偏估计的回归方法，实际上是一种改良的最小二乘法，但它放弃了最小二乘的无偏性，损失部分信息，放弃部分精确度为代价来寻求效果稍差但更符合实际的回归方程。此处介绍下岭回归的回归系数公式，B(k)=(X’X+kI)-1X’Y作为回归系数的估计值，此值比最小二乘估计稳定。称B(k)为回归系数的岭估计。显然，当k=0时，则B(k)就成为了最小二乘估计；而当k→∞
转载
2023-11-29 19:59:07
161阅读
一、基本知识1、岭回归：从公式看，加入正则化项（2范数）。回归系数的计算公式为：问题引入：若给定数据集X，如果XTX的逆存在，可以使用常规的线性回归方法。但是，（1）数据样本数比特征数少的情况，矩阵的逆不能直接计算；（2）即使样本数多于特征数，若特征高度相关，XTX的逆依然无法计算。此时，可以考虑岭回归。另，岭回归是有偏估计回归方法，引入lamda来限制所有系数之和，通过引入该惩罚项（从需要最小化
转载
2024-04-29 23:41:56
62阅读
本文主要介绍了两种克服多重共线性的有偏估计方法，岭估计和主成分估计。
目录Chapter 6：回归参数的估计(4)3.8 岭估计3.8.1 岭估计的定义和性质3.8.2 岭参数的选择方法3.8.3 岭估计的几何意义3.9 主成分估计3.9.1 主成分估计的过程3.9.2 主成分估计的性质Chapter 6：回归参数的估计(4)3.8 岭估计3.8.1 岭
岭回归是一种专门用于共线性数据分析的有偏估计回归方法，实质上时改良的最小二乘估计法，通过放弃最小二乘法的无偏性（在反复抽样的情况下，样本均值的集合的期望等于总体均值），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，对共线性问题和病态数据的拟合要强于最小二乘法经，常用于多维问题与不适定问题（ill-posed problem）。 岭回归通过引入一个惩罚变量解决了普通最小
转载
2023-09-26 10:40:51
109阅读
基于Cross Validation方法的岭回归参数计算一、Ridge regression二、Cross validation2.1 交叉验证方法介绍2.2 基于LOOCV的岭参数
λ
转载
2024-03-29 20:17:48
61阅读
线性回归 Linear_model.LinearRegression,SGDRegressor## 分类问题是离散型数据，回归问题是连续型数据 ## 线性关系模型：一个通过属性的线性组合来进行预测的函数：
f(x) = w1x1 + w2x2 + ... + wdxd + b
w为权重，b成为偏置项，可以理解为：w
转载
2024-03-25 15:36:40
94阅读
岭回归使用L2正则化对系数w进行约束，以限制模型复杂度（防止过拟合），import numpy as np
import pandas as pd
import mglearn
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
X,y = mglearn.datasets.lo
转载
2024-03-26 09:21:33
136阅读
最近有小伙伴问我说，有没有sklearn的代码详解，前面博客讲的有点偏理论了。接受了小伙伴的意见，以后大管就理论和代码穿插着聊吧。今天咱就来聊一聊sklearn中线性回归和岭回归(L2正则)的代码详解吧。sklearn.linear_model.LinearRegression 使用的方法是最小线性二乘回归，线性回归拟合系数w = (w1，…，wp)的线性模
转载
2024-05-09 10:59:32
82阅读
demo：传送门引言前面几篇博客，我们主要分享了一些分类算法。这一篇文章，我们将首次介绍回归算法即对连续性的数据做出预测。回归一词的来历由来已久。“回归”是由英
原创
精选
2023-04-06 11:37:54
502阅读
介绍Glmnet是一个通过惩罚最大似然来拟合广义线性模型的包。正则化路径是针对正则化参数λ的值网格处的套索或弹性网络罚值计算的。该算法速度极快，可以利用输入矩阵中的稀疏性x。它符合线性，逻辑和多项式，泊松和Cox回归模型。可以从拟合模型中做出各种预测。它也可以适合多响应线性回归。glmnet算法采用循环坐标下降法，它连续优化每个参数上的目标函数并与其他参数固定，并反复循环直至收敛。该软件包还利用强
转载
2024-05-15 09:23:21
49阅读
