LinearRegression() 和 Ridge(alpha=0) 的区别

Posted 2023-02-23

【中文标题】LinearRegression() 和 Ridge(alpha=0) 的区别

【英文标题】：Difference between LinearRegression() and Ridge(alpha=0)

【发布时间】：2017-03-27 00:08:15

【问题描述】：

当 alpha 参数接近零时，Tikhonov (ridge) 成本等于最小二乘成本。 scikit-learn docs about the subject 上的所有内容都表示相同。所以我期待

sklearn.linear_model.Ridge(alpha=1e-100).fit(data, target)

等价于

sklearn.linear_model.LinearRegression().fit(data, target)

但事实并非如此。为什么？

已更新代码：

import pandas as pd
from sklearn.linear_model import Ridge, LinearRegression
from sklearn.preprocessing import PolynomialFeatures
import matplotlib.pyplot as plt
%matplotlib inline

dataset = pd.read_csv('house_price_data.csv')

X = dataset['sqft_living'].reshape(-1, 1)
Y = dataset['price'].reshape(-1, 1)

polyX = PolynomialFeatures(degree=15).fit_transform(X)

model1 = LinearRegression().fit(polyX, Y)
model2 = Ridge(alpha=1e-100).fit(polyX, Y)

plt.plot(X, Y,'.',
         X, model1.predict(polyX),'g-',
         X, model2.predict(polyX),'r-')

注意：alpha=1e-8 或 alpha=1e-100 的情节看起来相同

【参考方案1】：

根据documentation，alpha 必须是正浮点数。您的示例将 alpha=0 作为整数。使用一个小的正数 alpha，Ridge 和 LinearRegression 的结果似乎会收敛。

from sklearn.linear_model import Ridge, LinearRegression
data = [[0, 0], [1, 1], [2, 2]]
target = [0, 1, 2]

ridge_model = Ridge(alpha=1e-8).fit(data, target)
print("RIDGE COEFS: " + str(ridge_model.coef_))
ols = LinearRegression().fit(data,target)
print("OLS COEFS: " + str(ols.coef_))

# RIDGE COEFS: [ 0.49999999  0.50000001]
# OLS COEFS: [ 0.5  0.5]
#
# VS. with alpha=0:
# RIDGE COEFS: [  1.57009246e-16   1.00000000e+00]
# OLS COEFS: [ 0.5  0.5]

更新 上面alpha=0 和int 的问题似乎只是上面例子中的一些玩具问题的问题。

对于住房数据，问题在于缩放比例。您调用的 15 度多项式导致数值溢出。要从 LinearRegression 和 Ridge 产生相同的结果，请先尝试缩放您的数据：

import pandas as pd
from sklearn.linear_model import Ridge, LinearRegression
from sklearn.preprocessing import PolynomialFeatures, scale

dataset = pd.read_csv('house_price_data.csv')

# scale the X data to prevent numerical errors.
X = scale(dataset['sqft_living'].reshape(-1, 1))
Y = dataset['price'].reshape(-1, 1)

polyX = PolynomialFeatures(degree=15).fit_transform(X)

model1 = LinearRegression().fit(polyX, Y)
model2 = Ridge(alpha=0).fit(polyX, Y)

print("OLS Coefs: " + str(model1.coef_[0]))
print("Ridge Coefs: " + str(model2.coef_[0]))

#OLS Coefs: [  0.00000000e+00   2.69625315e+04   3.20058010e+04  -8.23455994e+04
#  -7.67529485e+04   1.27831360e+05   9.61619464e+04  -8.47728622e+04
#  -5.67810971e+04   2.94638384e+04   1.60272961e+04  -5.71555266e+03
#  -2.10880344e+03   5.92090729e+02   1.03986456e+02  -2.55313741e+01]
#Ridge Coefs: [  0.00000000e+00   2.69625315e+04   3.20058010e+04  -8.23455994e+04
#  -7.67529485e+04   1.27831360e+05   9.61619464e+04  -8.47728622e+04
#  -5.67810971e+04   2.94638384e+04   1.60272961e+04  -5.71555266e+03
#  -2.10880344e+03   5.92090729e+02   1.03986456e+02  -2.55313741e+01]

【讨论】：

谢谢，但是将 alpha 设置为非常小的正浮点数并不能解决问题。请查看附加代码及其生成的图。

缩放修复了它，谢谢！有趣的是它如何溢出脊而不是规则的最小二乘。取系数范数时可能会发生这种情况，根据未处理的数据计算时，系数范数很大。