变量选择--岭回归

最新推荐文章于 2024-04-25 15:44:35 发布

susan-wang

最新推荐文章于 2024-04-25 15:44:35 发布

阅读量4.7k

点赞数

分类专栏：机器学习统计

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/susan_wang1/article/details/54791346

版权

本文介绍了在高维数据分析中，如何利用岭回归进行降维处理。岭回归通过奇异值分解（SVD）降低设计矩阵的线性相关性，减少模型过拟合。随着正则化参数λ的增大，回归系数逐渐减小，但不常为0。以longley数据集为例，展示了在6个高度线性相关的输入变量下，岭回归的实施效果。

摘要由CSDN通过智能技术生成

假设数据是 $(Y_i; X_{i1},\ldots,X_{ip}), i=1,2,\ldots,n.$
高维数据(大 $p$ )分析方法：
1. 降维：岭回归（Ridge regression）；Lasso; Dantzig selector
2. 特征提取: 主成分分析（PCA）

岭回归：

β ̂ r i d g e = (Y - X β) T (Y - X β) + λ ∥ β ∥ 22

$\hat\beta^{ridge}=(Y-X\beta)^{T}(Y-X\beta)+\lambda \parallel\beta\parallel_2^2$

对设计矩阵

最低0.47元/天解锁文章

关注

0
点赞
踩
4

收藏

觉得还不错? 一键收藏
0
评论
变量选择--岭回归

岭回归（Ridge regression）
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。