广义线性模型2

Posted 2020-09-20 jhcelue

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了广义线性模型2相关的知识，希望对你有一定的参考价值。

1.1.2 Ridge Regression（岭回归）

岭回归和普通最小二乘法回归的一个重要差别是前者对系数模的平方进行了限制。例如以下所看到的：

In [1]: from sklearn import linear_model

In [2]: clf = linear_model.R
linear_model.RandomizedLasso
linear_model.RandomizedLogisticRegression
linear_model.Ridge
linear_model.RidgeCV
linear_model.RidgeClassifier
linear_model.RidgeClassifierCV

In [2]: clf = linear_model.Ridge(alpha = .5)

In [3]: clf.fit([[0, 0], [0, 0], [1, 1]], [0, .1, 1])
Out[3]: 
Ridge(alpha=0.5, copy_X=True, fit_intercept=True, max_iter=None,
   normalize=False, solver=‘auto‘, tol=0.001)

In [4]: clf.coef_
Out[4]: array([ 0.34545455,  0.34545455])

In [5]: clf.intercept_
Out[5]: 0.13636363636363641

解析：

（1）sklearn.linear_model.Ridge类构造方法

class sklearn.linear_model.Ridge(alpha=1.0, fit_intercept=True, normalize=False, copy_X=True, max_iter=None,

tol=0.001, solver=‘auto‘)

（2）sklearn.linear_model.Ridge类实例的属性和方法

技术分享

（3）Ridge Regression（岭回归）

岭回归分析是一种专用于共线性数据分析的有偏预计回归方法，实质上是一种改良的最小二乘预计法，通过放弃最小

二乘法的无偏性。以损失部分信息、减少精度为代价获得回归系数更为符合实际、更可靠的回归方法，对病态数据的

耐受性远远强于最小二乘法。

岭回归分析主要解决两类问题：数据点少于变量个数；变量间存在共线性。

Examples: Plot Ridge coefficients as a function of the regularization

print(__doc__)

import numpy as np
import pylab as pl
from sklearn import linear_model

# X is the 10x10 Hilbert matrix
X = 1. / (np.arange(1, 11) + np.arange(0, 10)[:, np.newaxis])
y = np.ones(10)

###############################################################################
# Compute paths

n_alphas = 200
alphas = np.logspace(-10, -2, n_alphas)
clf = linear_model.Ridge(fit_intercept=False)

coefs = []
for a in alphas:
    clf.set_params(alpha=a)
    clf.fit(X, y)
    coefs.append(clf.coef_)

###############################################################################
# Display results

ax = pl.gca()
ax.set_color_cycle([‘b‘, ‘r‘, ‘g‘, ‘c‘, ‘k‘, ‘y‘, ‘m‘])

ax.plot(alphas, coefs)
ax.set_xscale(‘log‘)
ax.set_xlim(ax.get_xlim()[::-1])  # reverse axis
pl.xlabel(‘alpha‘)
pl.ylabel(‘weights‘)
pl.title(‘Ridge coefficients as a function of the regularization‘)
pl.axis(‘tight‘)
pl.show()

图形输出。例如以下所看到的：

技术分享

解析：

（1）希尔伯特矩阵

在线性代数中，希尔伯特矩阵是一种系数都是单位分数的方块矩阵。详细来说一个希尔伯特矩阵H的第i横行第j纵列的

系数是：

$技术分享$

举例来说。 $技术分享$ 的希尔伯特矩阵就是：

$技术分享$

希尔伯特矩阵的系数也能够看作是下面积分：

$技术分享$

也就是当向量是关于变量x 的各阶幂时关于积分范数 $技术分享$ 的格拉姆矩阵。

希尔伯特矩阵是低条件矩阵的典型样例。

与希尔伯特矩阵的数值计算是十分困难的。

举例来说，当范数为 $技术分享$ 矩阵范数

时希尔伯特矩阵的条件数大约是 $技术分享$ ，远大于1。

（2）np.arange()方法

In [31]: 1. / (np.arange(1, 11))
Out[31]: 
array([ 1.        ,  0.5       ,  0.33333333,  0.25      ,  0.2       ,
        0.16666667,  0.14285714,  0.125     ,  0.11111111,  0.1       ])

In [32]: (1. / (np.arange(1, 11))).shape
Out[32]: (10,)

（3）np.newaxis属性

In [5]: np.arange(0, 10)
Out[5]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

In [6]: type(np.arange(0, 10))
Out[6]: numpy.ndarray

In [7]: np.arange(0, 10).shape
Out[7]: (10,)

In [8]: np.arange(0, 10)[:, np.newaxis]
Out[8]: 
array([[0],
       [1],
       [2],
       [3],
       [4],
       [5],
       [6],
       [7],
       [8],
       [9]])

In [9]: np.arange(0, 10)[:, np.newaxis].shape
Out[9]: (10, 1)

（4）广播原理

In [25]: x = np.arange(0, 5)

In [26]: x[:, np.newaxis]
Out[26]: 
array([[0],
       [1],
       [2],
       [3],
       [4]])

In [27]: x[np.newaxis, :]
Out[27]: array([[0, 1, 2, 3, 4]])

In [28]: x[:, np.newaxis] + x[np.newaxis, :]
Out[28]: 
array([[0, 1, 2, 3, 4],
       [1, 2, 3, 4, 5],
       [2, 3, 4, 5, 6],
       [3, 4, 5, 6, 7],
       [4, 5, 6, 7, 8]])

（5）10阶希尔伯特矩阵X

In [33]: X = 1. / (np.arange(1, 11) + np.arange(0, 10)[:, np.newaxis])

In [34]: X
Out[34]: 
array([[ 1.        ,  0.5       ,  0.33333333,  0.25      ,  0.2       ,
         0.16666667,  0.14285714,  0.125     ,  0.11111111,  0.1       ],
       [ 0.5       ,  0.33333333,  0.25      ,  0.2       ,  0.16666667,
         0.14285714,  0.125     ,  0.11111111,  0.1       ,  0.09090909],
       [ 0.33333333,  0.25      ,  0.2       ,  0.16666667,  0.14285714,
         0.125     ,  0.11111111,  0.1       ,  0.09090909,  0.08333333],
       [ 0.25      ,  0.2       ,  0.16666667,  0.14285714,  0.125     ,
         0.11111111,  0.1       ,  0.09090909,  0.08333333,  0.07692308],
       [ 0.2       ,  0.16666667,  0.14285714,  0.125     ,  0.11111111,
         0.1       ,  0.09090909,  0.08333333,  0.07692308,  0.07142857],
       [ 0.16666667,  0.14285714,  0.125     ,  0.11111111,  0.1       ,
         0.09090909,  0.08333333,  0.07692308,  0.07142857,  0.06666667],
       [ 0.14285714,  0.125     ,  0.11111111,  0.1       ,  0.09090909,
         0.08333333,  0.07692308,  0.07142857,  0.06666667,  0.0625    ],
       [ 0.125     ,  0.11111111,  0.1       ,  0.09090909,  0.08333333,
         0.07692308,  0.07142857,  0.06666667,  0.0625    ,  0.05882353],
       [ 0.11111111,  0.1       ,  0.09090909,  0.08333333,  0.07692308,
         0.07142857,  0.06666667,  0.0625    ,  0.05882353,  0.05555556],
       [ 0.1       ,  0.09090909,  0.08333333,  0.07692308,  0.07142857,
         0.06666667,  0.0625    ,  0.05882353,  0.05555556,  0.05263158]])

（6）np.ones()方法

In [35]: y = np.ones(10)

In [36]: y
Out[36]: array([ 1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.])

In [37]: y.shape
Out[37]: (10,)

（7）numpy.logspace()方法

numpy.logspace(start, stop, num=50, endpoint=True, base=10.0)

说明：Return numbers spaced evenly on a log scale. In linear space, the sequence starts at base ** start (base to

the power of start) and ends with base ** stop (see endpoint below).

In [38]: n_alphas = 200

In [39]: alphas = np.logspace(-10, -2, n_alphas)

In [40]: alphas
Out[40]: 
array([  1.00000000e-10,   1.09698580e-10,   1.20337784e-10,
         1.32008840e-10,   1.44811823e-10,   1.58856513e-10,
         1.74263339e-10,   1.91164408e-10,   2.09704640e-10,
         ...,
         5.23109931e-03,   5.73844165e-03,   6.29498899e-03,
         6.90551352e-03,   7.57525026e-03,   8.30994195e-03,
         9.11588830e-03,   1.00000000e-02])

In [41]: alphas.shape
Out[41]: (200,)

In [42]: 1.00000000e-10
Out[42]: 1e-10

（8）set_params(**params)方法

技术分享