引言:在前面一小节中我们指出,在含有多个参数的模型中,如何做出对模型的优化。岭回归更好?还是lasso回归更优?参考:正则化(2):与岭回归相似的 Lasso 回归。在这种情况下,还要一种折中的办法,就是选择弹性网络回归(Elastic Net Regression)。
1. lasso回归与岭回归的异同如下,如果已知模型中的很多变量为无关变量,如astrological offset和airspeed scalar等,我们倾向于选择lasso回归,从而使得拟合模型更加简洁和便于解读。
Size = y-intercept + slope x Weight + diet differece x Hight Fat Diet+
+ astrological offset x Sign + airspeed scalar x Airspeed of Swallow如下,如果模型中有非常多的变量,我们无法知道其是否是无关变量,如基于10000个基因的表达预测小鼠体积。在这种情况下,我们应该选择lasso回归,还是岭回归呢?
答案是弹性网络回归(Elastic Net Regression)。听名字非常炫酷,有弹性的回归,意味着它非常灵活能适应多用场景。简单来说,弹性网络回归是lasso回归和岭回归的结合版本。
2. 弹性网络回归是lasso回归和岭回归的结合版
<