摘要:最小二乘法、岭回归、Lasso的区别在于损失函数不同,本文+代码实例演示岭回归和Lasso,最后小结。

岭回归_岭回归的基本思想_岭回归模型

欧式距离图

上篇回顾:[代码实例]机器学习线性回归之最小二乘法

一、数据集来源及格式

与上篇相同,根据前4个特征预测发电量

岭回归_岭回归模型_岭回归的基本思想

数据集格式及来源

使用画出各特征与PE关系图:

岭回归模型_岭回归的基本思想_岭回归

可得各特征与PE关系图:

岭回归模型_岭回归的基本思想_岭回归

各特征与PE关系图

请留意上图于权重的关系。

二、岭回归与lasso

岭回归的损失函数为平方损失 + 所有权重平方和 * λ , λ>0。

lasso的损失函数为平方损失 + 所有权重绝对值 * λ , λ>0。

岭回归_岭回归模型_岭回归的基本思想

损失函数对比图

阅读过【一看就懂】机器学习之L1和L2正则化的朋友可知:

岭回归相当于在更新权重时每次移除权重的 x%;

lasso相当于在更新权重时每次递减(加)一个常数,使网络中的权重尽可能为0,因此可用于特征选择;

两者都是为了降低模型复杂度,提高泛化能力。

三、+代码:

岭回归模型_岭回归的基本思想_岭回归

输出偏置和权重如下:

岭回归的基本思想_岭回归模型_岭回归

λ=5.5,岭回归与lasso权重

使用画出真实值和预测值的变化关系:

岭回归模型_岭回归_岭回归的基本思想

画图代码

图如下

岭回归_岭回归的基本思想_岭回归模型

四、三者什么时候更适用?

最小二乘法:特征独立分布,且与结果相关;

岭回归:特征之间具有强相关性;

Lasso:存在无关特征。

———END———
限 时 特 惠: 本站每日持续更新海量各大内部创业教程,永久会员只需109元,全站资源免费下载 点击查看详情
站 长 微 信: nanadh666

声明:1、本内容转载于网络,版权归原作者所有!2、本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。3、本内容若侵犯到你的版权利益,请联系我们,会尽快给予删除处理!