LASSO回归
添加l2正则的惩罚项,不管怎么缩减,都会保留建模时的所有变量,无法降低模型复杂度。
LASSO回归,不重要的回归系数缩减为0。
LASSO回归模型的目标函数:
使用坐标轴下降法:
迭代算法,坐标轴下降法是沿着坐标轴下降,梯度下降是沿着梯度的负方向下降,对于p维参数的可微凸函数J(B)而言,如果存在一点B,使得函数J(B)在每个坐标轴上均达到最小值,则J(B)就是B上的全局最小值。
坐标轴下降法,对目标函数中的某个Bi做偏导,即控制其他p-1个参数不变,沿着一个轴的方向求导,再对剩下的p-1个参数求导,令每个分量下的导函数为0,得到使目标函数达到全局最小值。
其中ESS(B)代表误差平方和,\lambdal(B)代表惩罚项,
假设xij=hj(xi)
令
由于惩罚项是不可导函数,不能直接使用梯度方法,而使用次梯度方法,解决不可导凸函数的最小值。
对于某个分量Bj来说,惩罚项为\lambda|Bj|
次导函数为:
为了求解最终的LASSO回归函数,需要将ESS与l1的分量导函数相结合,令函数为0
转化为:
1.可视化
选定惩罚系数\lambda的值
<