Python 实现Ridge Regression教程

一般多重线性回归，使用p个预测变量和一个响应变量拟合模型，形式如下：

Y = ${\beta }_0+{\beta }_1{X}_1+{\beta }_2{X}_2+\dots +{\beta }_p{X}_p+\epsilon$

参数解释如下：

• Y: 响应变量
• $X_j$: 第j个预测变量
• ${\beta }_j$: 在保持所有其他预测不变的情况下，$X_j$增加一个单位对Y的平均影响
• ε: 误差项

用最小二乘法选择${\beta }_0、{\beta }_1、B_2、\dots 、{\beta }_p$的值，以最小化残差平方和(RSS):

RSS = $\Sigma (y_i–{\hat{y}}_i{)}^2$

解释参数如下：

• Σ: 求和符号
• $y_i$: 第i个观测记录的响应值
• ${\hat{y}}_i$: 使用多重线性回归模型基于第i个观测记录的预测值

但是当预测变量高度相关，则会产生多重共线问题，可能导致模型系数估计不可靠、方差较高。

在不删除预测变量的情况下，解决这类问题的一种方法是使用岭回归，它试图使得下面误差最小：

RSS + $\lambda \Sigma {\beta }_j^2$

当j范围从1到p，并且λ ≥ 0; 其中第二项被称为收缩惩罚。当λ = 0时惩罚项没有影响，岭回归与最小二乘法效果一样。然而当λ 变大，收缩惩罚影响加大和岭回归系数估计接近零，使得模型中影响最小的预测变量会以最快的速度趋近于零。

示例

首先导入执行岭回归需要的包：

import pandas as pd
from numpy import arange
from sklearn.linear_model import Ridge
from sklearn.linear_model import RidgeCV
from sklearn.model_selection import RepeatedKFold

加载数据

我们示例数据mtcars，包括33个不同品牌汽车信息，我们使用下面预测变量，hp作为响应变量：

• mpg
• wt
• drat
• qsec

下面代码加载数据：

# read in data
data_full = pd.read_csv("data/mtcars.csv")

# select subset of data
data = data_full[["mpg", "wt", "drat", "qsec", "hp"]]

# view first six rows of data
data[0:6]

拟合模型

下面使用sklearn包中 RidgeCV() 拟合岭回归模型，并使用 RepeatedKFold() 执行k折交叉验证，发现最佳惩罚项中的λ值。

示例中使用k=10,重复交叉验证3次。RidgeCV() 中定义λ值范围：0~1，每次增加0.01：

# define predictor and response variables
X = data[["mpg", "wt", "drat", "qsec"]]
y = data["hp"]

# define cross-validation method to evaluate model
cv = RepeatedKFold(n_splits=10, n_repeats=3, random_state=1)

# define model
model = RidgeCV(alphas=arange(0, 1, 0.01), cv=cv, scoring='neg_mean_absolute_error')

# fit model
model.fit(X, y)

# display lambda that produced the lowest test MSE
print(model.alpha_)

## 输出0.99

测试MSE的最小化值是0.99

使用模型进行预测

最后使用上面的模型进行预测，预测数据如下：

• mpg: 24
• wt: 2.5
• drat: 3.5
• qsec: 18.5

下面代码使用岭回归模型预测hp的值：

# define new observation
new = [24, 2.5, 3.5, 18.5]

# predict hp value using ridge regression model
model.predict([new])

# array([104.16398018])

根据输入值，模型预测这辆车的HP值为104.16398018。