局部加权回归
岭回归(ridge regression)RR(稀疏矩阵)
针对多重共线性 |XTX|≈0 :β^=(XTX+kI)−1XTy
k:岭参数 =>得到 β 参数的估计族
有偏估计岭迹: 参数 k在(0,+∞),则β^是k的参数,所有曲线是岭迹
k的选择( MSE(β^) 最小)
PCR和偏最小二乘
补充内容:
Shrinkage Methods
- 岭回归
岭回归的求解 <=> <script type="math/tex" id="MathJax-Element-7"><=></script>
β^ridge=argminβ{∑i=1N(yi−β0−∑j=1pxijβj)2+λ∑j=1pβ2j}
λ:岭参数
β^=(XTX+λI)−1XTy和β=(XTX)−1XTy
若x的列正交则 XTX=I =>
β^ridge=βj^1+λ
岭回归将系数缩小
Lasso
在rr的基础上可以选择变量
RR等价于求解
β^ridge=argminβ{∑i=1N(yi−β0−∑j=1pxijβj)2+λ∑j=1pβ2j}
Lasso等价于
β^lasso=argminβ{∑i=1N(yi−β0−∑j=1pxijβj)2+λ∑j=1pβj}
=>
β^lasso=argminβ{∑i=1N(yi−β0−∑j=1pxijβj)2}
subject.to.
λ∑j=1p|βj|≤t