当前位置：首页 > news >正文

【漫话机器学习系列】154.岭回归（Ridge Regression）

news 来源：原创 2025/5/11 9:17:52

岭回归（Ridge Regression）详解

1. 引言

岭回归（Ridge Regression）是一种改进的线性回归方法，它通过引入正则化项来解决普通最小二乘法（OLS, Ordinary Least Squares）可能遇到的多重共线性问题。岭回归的核心思想是在损失函数中加入参数的 L2 正则化，从而使模型更具稳定性，减少过拟合的风险。

2. 岭回归的数学表达式

普通的线性回归模型可以表示为：

$Y = X\beta + \epsilon$

其中：

Y 为目标变量（因变量）
X 为特征矩阵（自变量）
β 为回归系数
ϵ 为误差项

普通最小二乘法的目标是最小化残差平方和（RSS, Residual Sum of Squares）：

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

岭回归在此基础上增加了一个正则化项，即回归系数的平方和：

$RSS + \lambda \sum_{j=1}^{p} \beta_j^2$

其中：

λ 为调节参数（Regularization Parameter），用于控制正则化的强度
$\sum_{j=1}^{p} \beta_j^2$ 为所有回归系数的平方和

3. 岭回归的作用

岭回归的主要作用是通过 L2 正则化（即回归系数的平方和）来防止模型过拟合。具体来说：

减少多重共线性影响：
- 当自变量之间高度相关时，普通最小二乘法可能会得到不稳定的回归系数，即某些回归系数的数值可能会非常大或方向不稳定。
- 岭回归通过对回归系数施加约束，使其保持在较小的范围内，从而减少多重共线性的影响。
特征缩减（Feature Shrinkage）：
- 岭回归不会像 Lasso 回归那样将某些特征的系数直接降为 0，而是会缩小所有回归系数的绝对值，使其更接近于 0。
- 这样可以避免模型对某些特征的依赖过大，提高泛化能力。
降低模型的方差：
- 在高维数据集中，普通最小二乘法容易因噪声导致模型方差较大。
- 通过正则化项，岭回归减少了系数的波动，从而降低了模型的方差，提高了稳定性。

4. 岭回归的调节参数（λ）

调节参数 λ\lambdaλ 控制正则化的强度：

λ→0 时，岭回归退化为普通最小二乘回归（OLS）。
λ 较小时，模型仍然倾向于普通最小二乘法，但稍有正则化作用。
λ 较大时，正则化作用增强，回归系数被压缩得更接近 0，但不会完全归零。

λ 的选择

选择合适的 λ 值通常需要使用交叉验证（Cross Validation）来找到最优值。在实际应用中，可以使用以下方法：

网格搜索（Grid Search）：在一组候选的 λ 值中进行搜索，选择最优的 λ 值。
交叉验证（Cross Validation）：使用 K 折交叉验证（K-Fold Cross Validation）来评估不同 λ\lambdaλ 值下的模型表现，选取最优的 λ\。

5. 岭回归 vs. Lasso 回归

Lasso（Least Absolute Shrinkage and Selection Operator）回归是一种与岭回归类似的正则化方法，但它使用的是 L1 正则化（即参数的绝对值之和）：

$RSS + \lambda \sum_{j=1}^{p} |\beta_j|$

与岭回归相比，Lasso 回归的特点是：

Lasso 可将某些回归系数压缩为 0，从而实现特征选择，而岭回归只能缩小系数，但不会归零。
Lasso 更适用于高维稀疏数据集，因为它可以自动选择重要的特征并丢弃不重要的特征。
岭回归适用于所有特征都有贡献的情况，因为它不会让某些特征的系数变为 0。

6. 岭回归的应用场景

由于岭回归能够有效减少过拟合并提高模型的稳定性，因此它被广泛应用于：

高维数据建模：
- 当数据集的维度（特征数量）远大于样本数量时，普通回归方法容易出现过拟合，而岭回归可以很好地解决这个问题。
多重共线性问题：
- 在经济学、金融建模等领域，自变量之间往往存在较高的相关性，岭回归可以有效降低多重共线性的影响，使回归系数更稳定。
医疗和生物统计分析：
- 在基因研究、疾病预测等领域，数据通常是高维的，并且不同基因之间可能存在共线性，岭回归可以帮助构建更稳定的预测模型。
推荐系统：
- 在个性化推荐系统中，特征维度通常很高，岭回归可以有效控制模型复杂度，提高泛化能力。

7. 实现岭回归（Python 示例）

在 Python 中，我们可以使用 scikit-learn 库来实现岭回归：

from sklearn.linear_model import Ridge
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
import numpy as np

# 生成示例数据
np.random.seed(42)
X = np.random.rand(100, 5)
y = 3*X[:, 0] + 2*X[:, 1] - X[:, 2] + np.random.randn(100) * 0.1

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练岭回归模型
ridge = Ridge(alpha=1.0)  # 这里的 alpha 就是 λ
ridge.fit(X_train, y_train)

# 预测
y_pred = ridge.predict(X_test)

# 计算均方误差
mse = mean_squared_error(y_test, y_pred)
print(f'均方误差：{mse}')