机器学习——岭回归和LASSO回归
来源:互联网 发布:淘宝卖家视频拍摄软件 编辑:程序博客网 时间:2024/04/29 06:10
1.用矩阵表示多元线性回归
Y=BX+a
Q(B)=(Y-BX)T(Y-BX)达到最小时的B值。
也即是残差平方和最小时。B(Bi)的值。可以证明B的最小二乘估计=(XTX)-1XTy
其中(XTX)-1为广义逆。
如果X存在线性相关的话,XTX没有逆:
1.出现多重共线性2.当n<p,变量比样本多时,出现奇异
岭回归(Ridge Regression)
先对数据做标准化
B(K)=(XTX+kI)XTY为B的岭回归估计,其中K为岭参数,I为单位矩阵,KI为扰动。
岭迹图帮助我们发现多重共线性,以及取那个K值。在图中,k很小时,B很大,k稍微增大,B迅速变小,肯定有多重共线性。多重共线性的岭迹图一般呈喇叭口状。选喇叭附近的k值。
岭迹图可以筛选变量,有个变量的系数长期很接近于0,可以剔除这些变量。
选择k或者lambda使得:
(1)各岭回归系数的岭基本稳定
(2)正负直接穿梭时,不合乎实际意义
(3)残差平方和增大不太多。
用R语言进行岭回归:
lm.ridge(y~.,longley)
R中的ridge包(需要下载安装)
LASSO回归
(Least absolute shrinkage and selectionator operaterator)
最小的绝对收缩通过构造一个一阶惩罚函数获得一个精炼的模型,通过最终确定一些指标(变量)的系数为0(岭回归估计系数等于0的机会微乎其微),解释力很强。擅长处理具有多重共线性的数据,与岭回归一样是有偏估计。
弹性网
LAR(最小角回归Least Angel Regression)
类似于逐步向前回归的形式
R语言中有lars的包
0 1
- 机器学习——岭回归和LASSO回归
- 机器学习总结(一):线性回归、岭回归、Lasso回归
- 机器学习:特征缩减技术(shrinkage): lasso和岭回归
- 机器学习实战【9】(岭回归和Lasso)
- 机器学习读书笔记之11 - 岭回归 & LASSO回归
- 机器学习-回归总结-标准回归,局部加权回归,岭回归,lasso,前向逐步回归
- 机器学习概念总结笔记(一)——机器学习算法分类、最小二乘回归、岭回归、LASSO回归
- 岭回归,Lasso和LAR学习(一)
- 机器学习基础(三十一)—— 岭回归(Ridge Regression)到 LASSO
- 岭回归 & lasso 回归
- lasso 回归 & 岭回归
- 回归,岭回归。LASSO回归
- 机器学习知识点(二十一)特征选择之岭回归和LASSO
- 机器学习小组知识点40:岭回归(L2)和LASSO(L1)
- 机器学习(5)——回归算法:有偏估计回归方法(ridge regression & Lasso Regressio)
- R---岭回归 & lasso回归
- 岭回归与lasso
- 用R建立岭回归和lasso回归
- “互联网+”的六大商业模式
- J2EE的十三个技术规范
- 二分查找真的有你想象中那么简单吗?
- poj1651 区间dp
- 3714: [PA2014]Kuglarz|贪心|思路题
- 机器学习——岭回归和LASSO回归
- Reeb 图
- AndroidStudio怎样导入jar包
- Spring MVC 异常处理最佳实践
- iOS经典讲解之NSTimer、CADisplayLink、GCD三种定时器的使用
- hashcode、equals和compareTo、compare方法的意义及作用
- poj 3279 Fliptile—二进制暴力的运用(开关问题)
- 一些有用的linux命令
- servlet中常用方法