写给初学者的LASSO回归

作者：Benjamin Obi Tayo Ph.D.

翻译：老齐

与本文相关的图书：《数据准备和特征工程》

此书2020年3月底发行，各大电商平台有售

LASSO回归是对回归算法正则化的一个例子。正则化是一种方法，它通过增加额外参数来解决过拟合问题，从而减少模型的参数、限制复杂度。正则化线性回归最常用的三种方法是岭回归、最小绝对值收敛和选择算子（LASSO）以及弹性网络回归。

在本文中，我将重点介绍LASSO，并且对岭回归和弹性网络回归做简单的扩展。

假设我们想在一个数据集上建立一个正则化回归模型，这个数据集包含n个观察和m个特征。

LASSO回归是一个L1惩罚模型，我们只需将L1范数添加到最小二乘的代价函数中：

看这里

通过增大超参数α的值，我们加强了模型的正则化强度，并降低了模型的权重。请注意，没有把截距项w0正则化，还要注意α=0对应于标准回归。

通过调整正则化的强度，某些权重可以变为零，这使得LASSO方法成为一种非常强大的降维技巧。

LASSO算法

对于给定的α，只需把代价函数最小化，即可找到权重或模型参数w。
然后使用下面的等式计算w（不包括w0）的范数：

案例研究：使用游轮数据集预测船员人数

我们将使用邮轮数据集cruise_ship_info.csv来演示LASSO技术

★本案例已经发布在实验平台，请关注微信公众号：老齐教室。并回复：#姓名手机号案例#获取。注意：#必须要有，否则成为了技术搜索。 ”

1.导入必要的库

代码语言：javascript复制

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

2.读取数据集并显示列

代码语言：javascript复制

df = pd.read_csv("cruise_ship_info.csv")
df.head()

3.选择重要的变量

从《数据准备和特征工程》中的有关阐述可知，协方差矩阵图可用于特征选择和降维。从前述数据集中发现，在6个预测特征（ [‘age’, ‘tonnage’, ‘passengers’, ‘length’, ‘cabins’, ‘passenger_density’]）中，如果我们假设重要特征与目标变量的相关系数为0.6或更大，那么目标变量“crew”与4个预测变量“tonnage”, “passengers”, “length, and “cabins”的相关性很强。因此，我们能够将特征空间的维数从6减少到4。

代码语言：javascript复制

cols_selected = ['Tonnage', 'passengers', 'length', 'cabins','crew']
df[cols_selected].head()

代码语言：javascript复制

X = df[cols_selected].iloc[:,0:4].values    # features matrix
y = df[cols_selected]['crew'].values        # target variable

4. 实现LASSO回归

a.将数据集分成训练集和测试集

代码语言：javascript复制

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split( X, y,
                                      test_size=0.4, random_state=0)

b.特征数据区间化

代码语言：javascript复制

from sklearn.preprocessing import StandardScaler

sc_y = StandardScaler()
sc_x = StandardScaler()
y_std = sc_y.fit_transform(y_train[:, np.newaxis]).flatten()
X_train_std = sc_x.fit_transform(X_train)
X_test_std = sc_x.transform(X_test)
y_train_std = sc_y.fit_transform(y_train[:, np.newaxis]).flatten()

c.实现LASSO回归

代码语言：javascript复制

from sklearn.linear_model import Lasso
from sklearn.metrics import r2_score

alpha = np.linspace(0.01,0.4,10)
r2_train =[]
r2_test =[]
norm = []
alpha = np.linspace(0.01,0.4,10)
for i in range(10):
    lasso = Lasso(alpha = alpha[i])
    lasso.fit(X_train_std,y_train_std)
    y_train_std = lasso.predict(X_train_std)
    y_test_std = lasso.predict(X_test_std)
    r2_train = np.append(r2_train,
              r2_score(y_train,sc_y.inverse_transform(y_train_std)))
    r2_test = np.append(r2_test,
              r2_score(y_test,sc_y.inverse_transform(y_test_std)))
    norm = np.append(norm,np.linalg.norm(lasso.coef_))

d.可视化结果

代码语言：javascript复制

plt.figure(figsize=(8,6))
plt.scatter(alpha,r2_train,label='r2_train')
plt.plot(alpha,r2_train)
plt.scatter(alpha,r2_test,label='r2_test')
plt.plot(alpha,r2_test)
plt.scatter(alpha,norm,label = 'norm')
plt.plot(alpha,norm)
plt.ylim(-0.1,1)
plt.xlim(0,.43)
plt.xlabel('alpha', size = 14)
plt.ylabel('R2_score',size = 14)
plt.legend()
plt.show()

我们观察到，随着正则化参数α的增加，回归系数的范数变得越来越小。这意味着更多的回归系数被强制为零，这会增加误差（模型过度简化）。α保持较低值时，比如α=0.1或更低时，是方差和偏差的最佳平衡点。在决定使用哪种降维方法之前，应将该方法与主成分分析法（PCA）进行比较。

原文链接：https://towardsdatascience.com/lasso-regression-tutorial-fd68de0aa2a2

特征工程编程算法

0 人点赞