当前位置：首页 > article >正文

【机器学习chp5】线性回归

article 2024/11/25 14:56:05

推荐文章1，三种角度详细分析了L1，L2正则化的本质。

【王木头 · L1、L2正则化】三个角度理解L1、L2正则化的本质-CSDN博客

推荐文章2，其中有各种梯度下降的优化算法分析。

【王木头·梯度下降法优化】随机梯度下降、牛顿法、动量法、Nesterov、AdaGrad、RMSprop、Adam-CSDN博客

前言

本文遗留问题：

（1）第七部分案例分析未完成。

（2）回归任务的性能指标评价还只是很简单的理解，自我还没能力高效地得到回归任务进行性能指标。

（3）线性回归优化算法中的坐标轴下降理解不够深入

前言

一、回归任务简介

二、线性回归模型

三、回归任务的损失函数

1、L2损失函数

（1）定义

（2）L2损失函数的概率解释

（3）残差分布

2、胡伯（Huber）损失函数

（1）Huber损失函数的定义

（2）Huber损失的优缺点

（3）与L1和L2损失的对比

（4）Huber损失的图示理解

（5）sklearn中Huber损失的实现与使用

四、线性回归模型的正则化

1、正则化的前提——数据标准化

2、三种角度分析L1、L2正则化本质

3、弹性网络——L1正则＋L2正则

五、线性回归的优化算法

1、方程组直接求解

（1）直接求伪逆

（2）伪逆矩阵的SVD分解

（3）岭回归的直接求解并SVD分解

（4）岭回归的权重衰减（L2正则化使得权重衰减）

（5）Lasso的权重衰减（L1正则化使得大权重衰减小权重剔除）

2、梯度下降

3、坐标轴下降

（1）次梯度法

（2）坐标轴下降法

六、回归任务的模型性能评价

1、评价指标

2、sklearn中的评价方法

3、线性回归模型的超参数调优

4、Scikit-Learn实现的超参数调优工具

七、线性回归案例分析（还未整理）

1、广告费用与产品销量（还未整理）

2、共享单车骑行量预测（还未整理）

八、⭐⭐全文总结⭐⭐

一、回归任务简介

回归任务本质是通过学习数据的规律建立输入与输出的映射关系，其中线性回归是最经典的回归模型之一。要构建高质量的回归模型，需要：

数据分析：理解特征与目标变量的关系，选择重要特征。（例如通过散点图/相关系数热力图初步检查目标与特征之间的相关性，优先考虑与目标变量强相关的特征）
模型选择：根据问题复杂度选择合适的回归模型（如线性回归、非线性回归或其他算法）。
模型评估：通过指标（如MSE、R方值等）评估模型效果，避免过拟合和欠拟合。

二、线性回归模型

核心思想：

假设输入特征与输出目标之间的关系可以用一个线性方程表示：
- $w_0$ ：截距项。
- $w_j$ ：每个特征的权重或回归系数。
- $D$ ：输入特征的维数。

矩阵形式：

通过引入常数项 1 ，公式可以简化为矩阵形式： $\hat{y} = w^T x$ ，其中 $w = [w_0, w_1, \dots, w_D]^T$ ， $x = [1, x_1, x_2, \dots, x_D]^T$ 。

优化目标：

目标函数：最小化预测值与真实值之间的误差（通常为均方误差，MSE）： $J(w) = \frac{1}{N} \sum_{i=1}^N (\hat{y}_i - y_i)^2$
优化方法：通过梯度下降等算法找到使 $J(w)$ 最小的参数 $w$ 。

线性回归模型的优缺点：

优点：

简单易实现，计算效率高。
可解释性强：可以清楚地解释每个特征对输出的贡献。
对线性关系的数据表现优秀。

缺点：

只能捕捉线性关系，无法拟合非线性数据。
对异常值敏感：极端值会显著影响模型效果。
假设特征之间相互独立，但现实数据常常存在多重共线性。

三、回归任务的损失函数

1、L2损失函数

（1）定义

L2损失（也称为均方误差损失）是回归任务中最常用的损失函数。
它衡量预测值 $\hat{y}$ 和真实值 $y$ 之间的平方差：

$L(\hat{y}, y) = (\hat{y} - y)^2$

预测残差 $r$ 定义为：

$r = y - \hat{y}$

所以L2损失实际上是残差的平方：

$L(\hat{y}, y) = r^2$

将L2损失累加，可以得到残差平方和（RSS, Residual Sum of Squares）：

$RSS(f) = \sum_{i=1}^N r_i^2 = \sum_{i=1}^N (\hat{y}_i - y_i)^2$

性质：L2损失函数是平滑的、可微的，因此非常适合基于梯度优化的方法（如梯度下降）。

（2）L2损失函数的概率解释

当我们假设数据中的误差项服从独立同分布的高斯（正态）分布时，极大似然估计就等价于最小化残差的平方和，也就是最小二乘法。

i、极大似然估计的基本定义

极大似然估计的目标是最大化样本数据的联合概率（似然函数）：

$p(\mathcal{D}) = \prod_{i=1}^N p(y_i | x_i)$

其中：

$y_i$ 是第 $i$ 个样本的真实输出值；
$x_i$ 是输入特征；
$p(y_i | x_i)$ 是 $y_i$ 的条件概率分布，通常由我们假设的噪声分布决定。

ii、噪声假设：误差服从高斯分布

假设模型预测值和真实值之间的误差服从高斯分布 $N(0, \sigma^2)$ ，即：

$y_i = f(x_i) + \epsilon_i, \quad \epsilon_i \sim N(0, \sigma^2)$

这里 $f(x_i)$ 是模型的预测值， $\epsilon_i$ 是误差。
条件概率密度函数为：

$p(y_i | x_i) = \frac{1}{\sqrt{2\pi\sigma}} \exp\left(-\frac{(y_i - f(x_i))^2}{2\sigma^2}\right)$

iii、构造似然函数

假设每个样本的条件概率 $p(y_i | x_i)$ 相互独立，则数据集的联合概率（似然函数）为：

$p(\mathcal{D}) = \prod_{i=1}^N p(y_i | x_i) = \prod_{i=1}^N \frac{1}{\sqrt{2\pi\sigma}} \exp\left(-\frac{(y_i - f(x_i))^2}{2\sigma^2}\right)$

iv、取对数：对数似然函数

为了简化计算，通常对似然函数取对数，得到对数似然函数：

$\ell(f) = \ln p(\mathcal{D}) = \sum_{i=1}^N \ln p(y_i | x_i)$

将 $p(y_i | x_i)$ 的具体形式代入，得到：

$\ell(f) = \sum_{i=1}^N (\ln \frac{1}{\sqrt{2\pi\sigma}} - \frac{(y_i - f(x_i))^2}{2\sigma^2})$

进一步简化为：

$\ell(f) = -\frac{N}{2}\ln(2\pi\sigma^2) - \frac{1}{2\sigma^2} \sum_{i=1}^N (y_i - f(x_i))^2$

v、极大化对数似然

极大化对数似然等价于最小化以下目标函数：

目标 $= \sum_{i=1}^N (y_i - f(x_i))^2$

这实际上就是最小二乘法的目标函数。

vi、总结

条件假设：当误差服从正态分布 $N(0, \sigma^2)$ 时，最大化对数似然等价于最小化误差的平方和。
结论：极大似然估计在高斯噪声假设下，就等价于最小二乘法。

vii、推广

如果噪声分布不是正态分布（例如Laplace分布），则极大似然估计与最小二乘法不再等价。对于Laplace分布（对称的指数分布），极大似然估计对应的是L1损失。

（3）残差分布

我们也可以通过残差的分布来检验回归模型是否足够正确，如果模型预测合理，残差应为0均值的正态分布。

上图为残差分布的直方图，可见残差的分布并不符合0均值的正态分布该模型（最小二乘回归模型）预测效果并不好。

上图为真实值和残差的散点图，可见，真实值较大时，预测残差大多<0。模型还没有完全建模y与x之间的关系，还有一部分关系残留在残差中。

2、胡伯（Huber）损失函数

Huber损失函数是一种结合了L1损失和L2损失优点的损失函数，在模型拟合时对异常值的鲁棒性更强。

（1）Huber损失函数的定义

Huber损失函数在残差较小时采用L2损失（平方误差），在残差较大时采用L1损失（绝对值误差），其数学表达式为：

$L_\delta(\hat{y}, y) = \begin{cases} \frac{1}{2}(\hat{y} - y)^2 & \text{if } |\hat{y} - y| \leq \delta \\ \delta |\hat{y} - y| - \frac{1}{2} \delta^2 & \text{if } |\hat{y} - y| > \delta \end{cases}$

其中：

$\delta$ 是一个超参数，决定了切换L1和L2损失的阈值。
当残差 $|\hat{y} - y|$ 小于 $\delta$ 时，Huber损失与L2损失一致，具有平滑性和可微性；
当残差 $|\hat{y} - y|$ 大于 $\delta$ 时，Huber损失切换为L1损失，对异常值的影响更小。

（2）Huber损失的优缺点

优点

对异常值鲁棒：
- 当残差较大时，Huber损失切换为L1形式，从而减小了异常值对模型的影响。
- 与纯L2损失相比，Huber损失对噪声敏感性更低。
连续可微：
- 与L1损失相比，Huber损失在切换点（ $\hat{y} - y| = \delta$ ）处连续可微，因此可以通过梯度下降等优化算法进行高效优化。
灵活性：
- 可以通过调整 $\delta$ 参数，在鲁棒性和误差灵敏度之间找到平衡。

缺点

参数敏感性：
- $\delta$ 的选取对模型性能有较大影响，需要通过交叉验证等方法进行调优。
计算复杂度稍高：
- 相较于简单的L1或L2损失，Huber损失的实现稍微复杂。

（3）与L1和L2损失的对比

L2损失：

优点：平滑、可微，适合大部分梯度优化方法。
缺点：对异常值敏感，大残差会导致误差平方过大。

L1损失：

优点：对异常值鲁棒，不会被大残差放大。
缺点：在 $r = 0$ 处不可导，优化算法可能不稳定。

Huber损失：

综合了两者的优点，在 $|\hat{y} - y| \leq \delta$ 时采用L2损失的平滑性，在 $|\hat{y} - y| > \delta$ 时采用L1损失的鲁棒性。

（4）Huber损失的图示理解

当残差较小时，Huber损失与L2损失重合，损失呈二次函数增长；
当残差较大时，Huber损失转变为线性增长，与L1损失类似；
损失曲线在切换点处连续且可导，具有较好的平滑性。

（5）sklearn中Huber损失的实现与使用

i、sklearn 提供了直接实现Huber损失的回归模型 HuberRegressor：

from sklearn.linear_model import HuberRegressor

# 使用Huber损失进行回归
huber = HuberRegressor()
huber.fit(X_train, y_train)
y_pred = huber.predict(X_test)

ii、SGDRegressor 也可以通过设置 loss='huber' 来使用Huber损失：

from sklearn.linear_model import SGDRegressor

# 随机梯度下降中指定Huber损失
sgd = SGDRegressor(loss='huber')
sgd.fit(X_train, y_train)
y_pred = sgd.predict(X_test)

四、线性回归模型的正则化

1、正则化的前提——数据标准化

在正则项中，各特征的参数地位相同，这就要求各特征的单位相同，这可以对特征进行缩放（去量纲）实现。最常用的特征缩放为特征标准化。sklearn中的实现：StandardScaler。实现目标是使得特征均值为0，方差为1，即 数据标准化公式：

$x'_{ij} = \frac{x_{ij} - \mu_j}{\sigma_j}$

其中：

$\mu_j = \frac{1}{N} \sum_{i=0}^{N} x_{ij}$

$\sigma_j = \sqrt{\frac{1}{N-1} \sum_{i=0}^{N} \left(x_{ij} - \mu_j\right)^2}$

2、三种角度分析L1、L2正则化本质

更详细的内容在推荐文章1，这里仅给出结论。

L2正则的线性回归：岭回归 Ridge

L1正则的线性回归：Lasso

L1正则可视为参数先验分布为拉普拉斯分布的贝叶斯估计

L2正则可视为参数先验分布为正态分布的贝叶斯估计。

3、弹性网络——L1正则＋L2正则

弹性网络（Elastic Net）是一种结合了L1正则化（Lasso）和L2正则化（Ridge）的线性回归方法，通过引入线性组合的正则化项来同时控制特征选择和模型复杂度。

弹性网络的目标函数是：

$J(w, \lambda, \rho) = \frac{1}{2N} \| Xw - y \|_2^2 + \lambda \left( \rho \| w \|_1 + \frac{1 - \rho}{2} \| w \|_2^2 \right)$

其中：

$\| Xw - y \|_2^2$ ：表示模型的残差平方和，是最小二乘部分；
$\| w \|_1$ ：L1正则化项，用于稀疏化权重向量 $w$ ；
$\| w \|_2^2$ ：L2正则化项，用于防止过拟合；
$\lambda$ ：正则化强度的权重，控制正则项对目标函数的影响；
：L1和L2正则化的权重系数，范围是：
- $\rho = 1$ ：弹性网络退化为L1正则化（Lasso）；
- $\rho = 0$ ：弹性网络退化为L2正则化（Ridge）。

五、线性回归的优化算法

给定超参数 $\lambda$ 的情况下，目标函数最优解为：

$\hat{w} =\underset{w}{\arg\min} J(w)$

根据优化理论，函数极值点只能在边界点、不可导点、临界点（导数为0的点）。

1、方程组直接求解

（1）直接求伪逆

若二阶海森（Hessian）矩阵：

$H = \frac{\partial^2 J(w)}{\partial w \partial w^T} = \begin{bmatrix} \frac{\partial^2 J}{\partial w_1^2} & \frac{\partial^2 J}{\partial w_1 \partial w_2} & \cdots & \frac{\partial^2 J}{\partial w_1 \partial w_D} \\ \frac{\partial^2 J}{\partial w_2 \partial w_1} & \frac{\partial^2 J}{\partial w_2^2} & \cdots & \frac{\partial^2 J}{\partial w_2 \partial w_D} \\ \vdots & \vdots & \ddots & \vdots \\ \frac{\partial^2 J}{\partial w_D \partial w_1} & \frac{\partial^2 J}{\partial w_D \partial w_2} & \cdots & \frac{\partial^2 J}{\partial w_D^2} \\ \end{bmatrix}$

为正定矩阵，则在临界点目标函数取最小值。

即取最小值的点是一阶偏导为0的点，即

$\frac{\partial J(w)}{\partial w} = 0$

最小二乘回归的目标函数定义为：

$J(w) = \| Xw - y \|_2^2 = (Xw - y)^T (Xw - y)$

计算目标函数对 $w$ 的梯度：

$\nabla J(w) = \frac{\partial J(w)}{\partial w} = 2X^T (Xw - y)$

令梯度为零：

$\nabla J(w) = 2X^T (Xw - y) = 0$

上述方程组 $X^T Xw = X^T y$ 称为正则方程组（Normal Equations）。在 $X^T X$ 可逆的情况下，可以求出解析解：

$\hat{w}_{OLS} = (X^T X)^{-1} X^T y$

其中 $(X^T X)^{-1} X^T$ 称为 $X$ 的伪逆，写作 $X^{\ddagger }$ 。

（2）伪逆矩阵的SVD分解

上面的求解过程需要求 $X^T X$ 的逆矩阵，可采用数值更稳定的奇异值分解实现，对 $X$ 进行SVD分解得 $X=U\Sigma V^{T}$ ，那么 $X$ 得伪逆的奇异值分解为 $X^{\ddagger }=V\Sigma ^{\ddagger }U^{T}$

其中 $\Sigma ^{\ddagger }$ 是通过取 $\Sigma$ 中非零奇异值的倒数得到的矩阵；

证明如下：

前提

X 的奇异值分解（SVD）为：

$X = U \Sigma V^T$

其中：

$U$ 是一个 $m \times m$ 的正交矩阵，因为对称矩阵 $XX^{T}$ 的特征向量组成的矩阵。
$\Sigma$ 是一个 $m \times n$ 的对角矩阵，其对角元素是矩阵 $X$ 的奇异值。
$V$ 是一个 $n \times n$ 的正交矩阵，因为对称矩阵 $X^{T}X$ 的特征向量组成的矩阵。

目标

我们要求矩阵 $(X^T X)^{-1} X^T$ 的 SVD 分解。

步骤 1：分析 $X^T X$

首先计算矩阵 $X^T X$ ：

$X^T X = (V \Sigma^T U^T)(U \Sigma V^T) = V \Sigma^T \Sigma V^T$

由于 $U$ 和 $V$ 都是正交矩阵，满足 $U^T U = I$ 和 $V^T V = I$ ，所以得到：

$X^T X = V \Sigma^T \Sigma V^T$

注意到， $\Sigma^T \Sigma$ 是一个 $n \times n$ 的对角矩阵，且对角元素是 $X$ 的奇异值的平方，即 $\sigma_i^2$ ， $i = 1, 2, \dots, \min(m, n)$ 。因此：

$X^T X = V \Sigma^2 V^T$

步骤 2：计算 $(X^T X)^{-1}$

由于 $X^T X = V \Sigma^2 V^T$ ，且 $V$ 是正交矩阵（即 $V^T V = I$ ），我们可以得到：

$(X^T X)^{-1} = V (\Sigma^2)^{-1} V^T$

其中， $(\Sigma^2)^{-1}$ 是 $\Sigma^2$ 的逆，且由于 $\Sigma^2$ 是对角矩阵，它的逆矩阵也是对角矩阵，且每个对角元素是原来对角元素的倒数。因此：

$(\Sigma^2)^{-1} = \text{diag}\left(\frac{1}{\sigma_1^2}, \frac{1}{\sigma_2^2}, \dots, \frac{1}{\sigma_r^2}\right)$

其中 $r = \min(m, n)$ 是矩阵 $X$ 的秩。

步骤 3：计算 $(X^T X)^{-1} X^T$

现在我们计算 $(X^T X)^{-1} X^T$ ：

$(X^T X)^{-1} X^T = V (\Sigma^2)^{-1} V^T X^T$

我们将 $X^T = V \Sigma U^T$ 代入，得到：

$(X^T X)^{-1} X^T = V (\Sigma^2)^{-1} V^T V \Sigma U^T = V (\Sigma^2)^{-1} \Sigma U^T$

因此，矩阵 $(X^T X)^{-1} X^T$ 可以表示为：

$(X^T X)^{-1} X^T = V (\Sigma^2)^{-1} \Sigma U^T$

步骤 4：SVD 分解

最后，我们要对 $(X^T X)^{-1} X^T = V (\Sigma^2)^{-1} \Sigma U^T$ 进行 SVD 分解。由于 $V$ 和 $U$ 都是正交矩阵，矩阵 $(\Sigma^2)^{-1} \Sigma$ 的 SVD 结构是：

$(\Sigma^2)^{-1} \Sigma = \Sigma^{-1}$

因此，我们可以得到 $(X^T X)^{-1} X^T$ 的 SVD 分解为：

$(X^T X)^{-1} X^T = V \Sigma^{-1} U^T$

所以，矩阵 $(X^T X)^{-1} X^T$ 的 SVD 分解是：

$(X^T X)^{-1} X^T = V \Sigma^{-1} U^T$

（3）岭回归的直接求解并SVD分解

岭回归目标函数

岭回归目标函数为误差平方和＋L2 正则化项，为

$J(w, \lambda) = (Xw - y)^T (Xw - y) + \lambda w^T w$

梯度推导

目标函数对 $w$ 求梯度，得到：

$\frac{\partial J(w, \lambda)}{\partial w} = -2X^T y + 2(X^T X)w + 2\lambda w$

令梯度为零：

$-2X^T y + 2(X^T X)w + 2\lambda w = 0$

即得

$\hat{w}_{Ridge} = (X^T X + \lambda I)^{-1} X^T y$

结合 SVD 分解

利用 SVD 的性质，计算：

$X^T X = V \Sigma^T \Sigma V^T$

从而有：

$\hat{w}_{Ridge} = (X^T X + \lambda I)^{-1} X^T y = (V \Sigma^T \Sigma V^T + \lambda I)^{-1} V \Sigma^T U^T y$

进一步化简：

$X^T X + \lambda I = V (\Sigma^T \Sigma + \lambda I) V^T$

因此：

$(X^T X + \lambda I)^{-1} = V (\Sigma^T \Sigma + \lambda I)^{-1} V^T$

将结果代入：

$\hat{w}_{Ridge} = V (\Sigma^T \Sigma + \lambda I)^{-1} V^T V \Sigma^T U^T y = V (\Sigma^T \Sigma + \lambda I)^{-1} \Sigma^T U^T y$

如果用对角奇异值矩阵 $D$ 表示 $\Sigma^T \Sigma$ ，则：

$\hat{w}_{Ridge} = V (D + \lambda I)^{-1} \Sigma^T U^T y$

（4）岭回归的权重衰减（L2正则化使得权重衰减）

这部分在推荐文章1中有详细分析。

（5）Lasso的权重衰减（L1正则化使得大权重衰减小权重剔除）

这部分在推荐文章1中有详细分析。

2、梯度下降

推荐文章2中有关于梯度下降的各种优化算法。

方程组直接求解中，当矩阵 $X$ 非常大时，SVD的计算量大，甚至不能载入内存。此时可用迭代方式求解。梯度下降法是求解无约束优化问题最常采用的方法之一。

最小二乘回归和岭回归可采用梯度下降法求解，Lasso由于目标函数中有L1正则函数不可导，不能采用梯度下降法求解。

损失函数对梯度的影响

L2损失：梯度的绝对值为 $|y-\hat{y}|$ 。随损失增大而增大，损失趋于0时梯度也减小。这使得在训练结束时，使用采用L2损失的模型的结果会更精确。即使固定学习率，函数也能较快取得最小值。

L1损失：梯度的绝对值始终为1。即使对于小的损失值，梯度也大。这不利于函数的收敛和模型的学习，可能导致在快要结束时错过了最小点 à 使用变化的学习率，在损失接近最小值时降低学习率

3、坐标轴下降

（1）次梯度法

在优化问题中，经典的梯度下降法要求目标函数可微。然而在某些实际场景下，比如 L1 正则化（如 Lasso 回归）中的目标函数，包含非光滑点（例如 $|x|$ 在 $x = 0$ 处不可导）。为了解决这一问题，引入了次梯度法（Subgradient Method），扩展了梯度下降法的适用范围。

次梯度的定义

对于一个凸函数 $f(x)$ ，如果在点 $x_0$ 处不可导，定义次梯度 $g$ 满足以下关系：

$f(x) \geq f(x_0) + g^T (x - x_0), \quad \forall x \in \text{dom}(f)$

$g$ 是 $f(x)$ 在 $x_0$ 的一个次梯度；
所有次梯度的集合称为次梯度集合，记为 $\partial f(x_0)$ 。

几何意义

次梯度对应的直线（或超平面）是目标函数 $f(x)$ 在点 $x_0$ 处的下方支持平面；
即使函数不可微，仍可以找到一个线性近似，描述函数的局部行为。

L1 范数的次梯度

对于 $f(x) = |x|$ ，次梯度集合如下：

$\partial |x| = \begin{cases} \{-1\}, & x < 0 \\ [-1, 1], & x = 0 \\ \{1\}, & x > 0 \end{cases}$

在 Lasso 回归中，目标函数 $J(w) = \|Xw - y\|_2^2 + \lambda \|w\|_1$ 的次梯度为：

$\frac{\partial J(w)}{\partial w_j} = \begin{cases} \frac{\partial}{\partial w_j} \|Xw - y\|_2^2 + \lambda \cdot \text{sign}(w_j), & w_j \neq 0 \\ \frac{\partial}{\partial w_j} \|Xw - y\|_2^2 + \lambda g, & w_j = 0, \, g \in [-1, 1] \end{cases}$

将梯度下降法中的梯度换成次梯度，就得到次梯度法。

与梯度下降算法不同，次梯度算法并不是下降算法（每次对参数的更新，并不能保证目标函数单调递减）。因此一般情况下我们选择： $J(w^{*})=\underset{1,\cdots ,t}{min}J(w^{(t)})$ ，虽然不能保证次梯度法中目标函数单调下降，可以证明对满足一定条件的凸函数，次梯度法是收敛的，只是收敛速度比梯度下降法慢。

次梯度法收敛速度慢，Lasso求解推荐使用坐标轴下降法。

（2）坐标轴下降法

坐标轴下降法的定义

坐标轴下降法（Coordinate Descent）是一种迭代优化算法，适用于目标函数分解为各个变量的单独优化问题的场景。其核心思想是：

在每次迭代中，仅优化目标函数中一个变量，固定其余变量；
每次优化沿着当前变量所在的坐标轴方向进行单变量优化。

在高维优化问题中，坐标轴下降法具有计算效率高和实现简单的优势。

坐标轴下降法的应用

在 Lasso 中，坐标轴下降法可以很好地解决上述问题。每次优化时：

选取一个维度 $w_j$ ，其他变量 $w_{-j}$ 固定不变；
优化目标函数对 $w_j$ 的次梯度或次微分。

坐标轴下降法的具体步骤

步骤 1：初始化

设定初始参数 $w = 0$ 或随机初始化；
计算每个维度的初始值。

步骤 2：更新某一维度的参数

对目标函数：

$J(w) = \|Xw - y\|_2^2 + \lambda \|w\|_1$

选择第 $j$ 个变量 $w_j$ ，计算该维度对应的次微分；
更新规则：

$w_j = \begin{cases} \frac{-c_j + \lambda}{a_j}, & \text{if } c_j < -\lambda \\ 0, & \text{if } c_j \in [-\lambda, \lambda] \\ \frac{-c_j - \lambda}{a_j}, & \text{if } c_j > \lambda \end{cases}$

这里：

$a_j = 2\sum_{i=1}^N x_{i,j}^2$

$c_j = 2\sum_{i=1}^N \left( w_{-j}^T x_{i, -j} - y_i \right)x_{i,j}$

$a_j$ 是目标函数在第 $j$ 维的平方系数；
$c_j$ 是当前维度与残差的相关性。

步骤 3：循环更新直到收敛

更新所有维度 $w_j$ ；
判断收敛条件（如参数更新量或目标函数值的变化足够小），否则返回步骤 2。
最优解条件： $0\in \partial J_{w,j}(w,\lambda )$

Lasso的坐标轴下降求解

六、回归任务的模型性能评价

1、评价指标

评价指标是用于衡量回归模型预测性能的关键工具。这部分提到的指标包括：

开方均方误差RMSE (Rooted Mean Squared Error): 计算预测值和实际值之间误差的平方和的平均值，然后取平方根。它能够较大程度地放大大的预测误差。
$\text{RMSE}(\hat{y}, y) = \sqrt{\frac{1}{N} \sum_{i=1}^N (\hat{y}_i - y_i)^2}$
平均绝对误差MAE (Mean Absolute Error): 计算预测值和实际值之间绝对误差的平均值。相比于RMSE，它对异常值的敏感性较低。
$\text{MAE}(\hat{y}, y) = \frac{1}{N} \sum_{i=1}^N |\hat{y}_i - y_i|$
绝对误差中值MedAE (Median Absolute Error): 计算预测值和实际值之间绝对误差的中位数，进一步降低了异常值对评价的影响。
$\text{MedAE}(\hat{y}, y) = \text{median}(|\hat{y}_i - y_i|)$
平均平方log误差MSLE (Mean Squared Logarithmic Error): 适用于目标变量增长幅度较大的场景（如指数增长数据）。
$\text{MSLE}(\hat{y}, y) = \frac{1}{N} \sum_{i=1}^N (\log(1 + \hat{y}_i) - \log(1 + y_i))^2$
$R^2$ 分数: 衡量模型解释变量之间变化的比例，值越接近1，模型越好。它基于两部分：残差平方和（ $SS_{res}$ ）和总平方和（ $SS_{tot}$ ）。
$R^2(\hat{y}, y) = 1 - \frac{\text{SS}_{res}}{\text{SS}_{tot}}$

$SS_{\text{res}}$  是残差平方和： $SS_{\text{res}} = \frac{1}{N} \sum_{i=1}^N \left( y_i - \hat{y}_i \right)^2$

$SS_{\text{tot}}$  是目标变量的总平方和： $SS_{\text{tot}} = \frac{1}{N} \sum_{i=1}^N \left( y_i - \bar{y} \right)^2$

已解释的方差分数（Explained Variance Score）是回归模型的另一个重要评价指标，用于衡量模型对目标变量的方差解释能力。它定义为：
$\text{explained\_variance}(\hat{y}, y) = 1 - \frac{\text{Var}(y - \hat{y})}{\text{Var}(y)}$
其中：

$\text{Var}(y - \hat{y})$ ：残差的方差，表示预测值与真实值的误差的变异程度。

$\text{Var}(y)$ ：真实目标变量的方差，表示目标变量本身的变异程度。

如果模型能够完美预测目标变量，则 $\text{Var}(y - \hat{y}) = 0$ ，从而 $\text{explained\_variance} = 1$ 。这是最理想的情况。

如果模型完全没有预测能力，导致预测值与真实值之间的差异方差等于目标变量本身的方差，则 $\text{explained\_variance} = 0$ 。

值可以小于0，表示模型预测能力比一个简单的平均值预测（即使用均值作为预测值）还要差。

当残差的均值为0时， $R^2$ 分数和已解释的方差分数相同。

2、sklearn中的评价方法

sklearn提供了多种方法用于计算上述指标：

Estimator的.score()方法: 通常默认返回 $R^2$ 分数。
Metric模块: 提供了单独计算上述指标的API。
Scoring参数: 用于交叉验证时指定模型性能的评价指标。

例如，metrics.mean_absolute_error计算MAE，metrics.r2_score计算R2R^2R2。

3、线性回归模型的超参数调优

回归模型的超参数调优（如正则化系数 $\lambda$ ）可以通过以下方法实现：

交叉验证:
- RidgeCV、LassoCV和ElasticNetCV分别实现岭回归、Lasso和弹性网络的交叉验证。
AIC/BIC准则:
- 基于信息准则，用于正则化模型的选择：
  - $AIC =N \ln(\text{RSS}) + 2 \, df(\lambda)$
  - $BIC =N \ln(\text{RSS}) + \ln(N) \, df(\lambda)$
留一交叉验证 (LOOCV):
- 特殊形式的交叉验证，每次使用一个样本作为验证集，剩余样本作为训练集。
广义交叉验证 (GCV):
- 对LOOCV的近似，用于减少计算量。

4、Scikit-Learn实现的超参数调优工具

RidgeCV:
- 自动搜索一组正则化参数α\alphaα中的最佳值。
- 支持多种交叉验证方法，如GCV、LOOCV。
LassoCV:
- 提供自动选择正则化参数 $\alpha$ 的方法，支持用户设置 $\alpha$ 范围和数量。

七、线性回归案例分析（还未整理）

两个案例：

1、广告费用与产品销量（还未整理）

2、共享单车骑行量预测（还未整理）

八、⭐⭐全文总结⭐⭐

本文首先介绍了回归任务简介和线性回归模型，然后介绍了损失函数，有L2损失和L1损失，L2损失的梯度是和偏离程度有关，受特异值影响大，L1损失的梯度恒定-1或1，受特异值影响小，但在0处不可微。其次，当误差项服从高斯分布时，极大似然估计等价于最小化残差平方和（用L2损失最小）。当误差服从拉普拉斯分布时，极大似然估计等等价于最小化L1损失。结合最小化L1损失鲁棒性强和L2损失处处可微的优点，给出了胡伯损失函数。

在第四部分，介绍了回归模型的正则化，正则化由于对每个特征的参数都是等地位的，所以要对特征进行数据标准化，L1正则化相当于先验服从拉普拉斯分布的贝叶斯估计；L2正则化相当于先验服从高斯分布的贝叶斯估计。还从权重衰减角度介绍了正则化，最后又结合了L1正则化和L2正则化的优点，介绍了弹性正则化。

在第五部分，介绍了线性回归模型的优化算法，在直接接方程组中，参数w可以直接利用X的伪逆解出，但X维度高时计算复杂，不稳定，所以采用SVD分解，对X伪逆进行了SVD分解。其次，还介绍了正则化后的线性回归方程组的直接求解和SVD分解求出的解。然后，介绍了梯度下降，各种梯度下降的优化方法，梯度下降时可采用L2损失的梯度下降还可以采用L1损失的梯度下降，但更好的还是结合他们的优点，损失的绝对值值大时，采用L1损失，损失的绝对值小时，采用L2损失的梯度下降。随后介绍了坐标轴下降，主要用在Lasso回归的梯度下降，首先介绍了次梯度下降，即用次梯度代替梯度进行梯度下降，对于介绍坐标轴下降，主要采用单个维度的次梯度下降，即对参数w的单个维度进行次梯度下降，优化目标是0属于该维的次梯度集。

在第六部分介绍了各种回归任务性能的评价指标。

查看全文

http://www.kler.cn/a/402755.html