机器学习之 线性回归( L1正则化(Lasso回归)+ L2正则化(Ridge回归))(五)

主要参考:https://www.cnblogs.com/pinard/p/6004041.html

想看具体的看参考链接,这里主要是重点公式记载。

线性回归是最常见的,之前再梯度下降和最小二乘法里面也都是以线性回归为例的。

模型:在这里插入图片描述
在这里插入图片描述
矩阵形式
在这里插入图片描述

一般线性回归我们用均方误差作为损失函数。

损失函数的代数法表示如下:
在这里插入图片描述
损失函数的矩阵形式:

在这里插入图片描述

对于线性回归的损失函数,我们常用的有两种方法来求损失函数最小化时候的θθ参数:一种是梯度下降法,一种是最小二乘法。
梯度下降法:
在这里插入图片描述
最小二乘法:
在这里插入图片描述

线性回归的推广:多项式回归

在这里插入图片描述
线性回归里面的x都是一次方,多项式回归里面x可能不是一次方,但是可以转化为一次方转化为线性回归。

线性回归的推广:广义线性回归

在这里插入图片描述
这儿的广义线性回归则是特征y不符合条件,转化为符合条件的y从而转化为线性回归。

线性回归的正则化

为了防止模型的过拟合,我们在建立线性模型的时候经常需要加入正则化项。一般有L1正则化和L2正则化。

L1正则化(Lasso回归)

线性回归的L1正则化通常称为Lasso回归,它和一般线性回归的区别是在损失函数上增加了一个L1正则化的项,L1正则化的项有一个常数系数αα来调节损失函数的均方差项和正则化项的权重,具体Lasso回归的损失函数表达式如下:  
在这里插入图片描述
 Lasso回归可以使得一些特征的系数变小,甚至还是一些绝对值较小的系数直接变为0。增强模型的泛化能力。
Lasso回归的求解办法一般有坐标轴下降法(coordinate descent)和最小角回归法( Least Angle Regression),由于它们比较复杂,会单独介绍:。

L2正则化(Ridge回归)

线性回归的L2正则化通常称为Ridge回归,它和一般线性回归的区别是在损失函数上增加了一个L2正则化的项,和Lasso回归的区别是Ridge回归的正则化项是L2范数,而Lasso回归的正则化项是L1范数。具体Ridge回归的损失函数表达式如下:
 在这里插入图片描述
Ridge回归在不抛弃任何一个特征的情况下,缩小了回归系数,使得模型相对而言比较的稳定,但和Lasso回归比,这会使得模型的特征留的特别多,模型解释性差。

Ridge回归的求解比较简单,一般用最小二乘法。
在这里插入图片描述

  • 1
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值