Lucas带你手撕机器学习—

Lucas带你手撕机器学习——套索回归

好的，下面我将详细介绍套索回归的背景、理论基础、实现细节以及在实践中的应用，同时还会讨论其优缺点和一些常见问题。

套索回归（Lasso Regression）

1. 背景与动机

在机器学习和统计学中，模型的复杂性通常会影响其在新数据上的泛化能力。特别是当特征数量多于样本数量时，模型容易过拟合，导致性能下降。为了解决这个问题，引入了正则化技术，以限制模型的复杂性。套索回归就是一种结合了线性回归与L1正则化的回归方法，具有以下特点：

特征选择：由于L1正则化的特性，套索回归能够将一些特征的系数压缩为零，从而实现特征选择。这使得模型更简单、更易解释。
提高泛化能力：通过减少特征数量，套索回归有助于提高模型的泛化能力，尤其在高维数据中表现更好。

2. 理论基础

2.1. 损失函数

套索回归的目标是最小化以下损失函数：
在这里插入图片描述

其中：
在这里插入图片描述
是目标变量与预测值之间的均方误差。

是L1正则化项，即模型参数的绝对值之和，𝜆 是正则化强度的超参数。

L1正则化会增加较大的惩罚，使得某些特征的系数可能被完全压缩为零，从而实现特征选择。

2.2. 优化算法

由于套索回归的损失函数是非光滑的（L1范数不连续），可以使用次梯度法、坐标下降法或其他优化方法来求解最优参数。坐标下降法是套索回归中一种常用且高效的优化算法。

3. 优缺点

3.1. 优点

特征选择：能够自动选择重要特征，减少不必要的噪声，提高模型的可解释性。
简化模型：减少模型的复杂性，降低过拟合的风险。
适应高维数据：在特征数量远大于样本数量时，仍能有效工作。

3.2. 缺点

可能丢失重要信息：如果正则化参数选择不当，可能会丢失对结果有影响的特征。
对特征标准化敏感：套索回归对特征的尺度非常敏感，通常需要对特征进行标准化处理。
在特征间高度相关时的局限性：在特征高度相关的情况下，套索回归可能随机选择其中一个特征，而忽略其他重要特征。

4. 实践中的应用

套索回归广泛应用于以下场景：

金融风险建模：在预测信用评分或贷款违约的模型中，能够选择对结果影响最大的特征。
生物医学：在基因选择和疾病预测等应用中，通过特征选择来提高模型的可解释性。
文本分类：在文本特征提取中，通过选择重要的单词或短语来构建简化模型。

5. 使用 `scikit-learn` 和 `PyTorch` 实现套索回归

5.1. `scikit-learn` 实现

import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.linear_model import Lasso
from sklearn.datasets import make_regression# 生成示例数据
X, y, coef = make_regression(n_samples=100, n_features=10, noise=0.1, coef=True, random_state=42)# 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)# 创建套索回归模型
lasso_model = Lasso(alpha=1.0)  # alpha是正则化强度# 训练模型
lasso_model.fit(X_train, y_train)# 进行预测
y_pred = lasso_model.predict(X_test)# 输出模型系数
print("模型系数:", lasso_model.coef_)
print("模型截距:", lasso_model.intercept_)# 可视化真实值与预测值
plt.scatter(y_test, y_pred)
plt.xlabel("真实值")
plt.ylabel("预测值")
plt.title("真实值与预测值的比较")
plt.plot([y.min(), y.max()], [y.min(), y.max()], '--', color='red')  # 对角线
plt.show()

5.2. `PyTorch` 实现

import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.datasets import make_regression# 生成示例数据
X, y, coef = make_regression(n_samples=100, n_features=10, noise=0.1, coef=True, random_state=42)# 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)# 转换为PyTorch张量
X_train_tensor = torch.tensor(X_train, dtype=torch.float32)
y_train_tensor = torch.tensor(y_train, dtype=torch.float32).view(-1, 1)
X_test_tensor = torch.tensor(X_test, dtype=torch.float32)
y_test_tensor = torch.tensor(y_test, dtype=torch.float32).view(-1, 1)# 创建套索回归模型
class LassoRegression(nn.Module):def __init__(self, input_dim, lambda_reg):super(LassoRegression, self).__init__()self.linear = nn.Linear(input_dim, 1)self.lambda_reg = lambda_regdef forward(self, x):return self.linear(x)def loss_function(self, y_pred, y_true):mse_loss = nn.MSELoss()(y_pred, y_true)l1_reg = self.lambda_reg * torch.sum(torch.abs(self.linear.weight))return mse_loss + l1_reg# 超参数
input_dim = X_train.shape[1]
lambda_reg = 1.0
num_epochs = 1000
learning_rate = 0.01# 初始化模型和优化器
model = LassoRegression(input_dim, lambda_reg)
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)# 训练模型
for epoch in range(num_epochs):model.train()optimizer.zero_grad()y_pred = model(X_train_tensor)loss = model.loss_function(y_pred, y_train_tensor)loss.backward()optimizer.step()if epoch % 100 == 0:print(f'Epoch [{epoch}/{num_epochs}], Loss: {loss.item():.4f}')# 进行预测
model.eval()
with torch.no_grad():y_test_pred = model(X_test_tensor)# 可视化真实值与预测值
plt.scatter(y_test, y_test_pred.numpy())
plt.xlabel("真实值")
plt.ylabel("预测值")
plt.title("真实值与预测值的比较")
plt.plot([y.min(), y.max()], [y.min(), y.max()], '--', color='red')  # 对角线
plt.show()# 输出模型系数和截距
print("模型权重:", model.linear.weight.data.numpy())
print("模型偏置:", model.linear.bias.data.numpy())

6. 常见问题

如何选择合适的正则化参数 (\lambda)？
- 通常使用交叉验证来选择合适的正则化参数。可以尝试多个值并选择在验证集上表现最佳的参数。
是否需要对特征进行标准化？
- 是的，特征标准化非常重要，因为套索回归对特征的尺度非常敏感。通常在训练之前对特征进行标准化处理（例如，标准化为均值为0，方差为1的分布）。
在特征之间高度相关时如何处理？
- 套索回归可能会随机选择相关特征中的一个，而忽略其他特征。如果特征高度相关，可以考虑使用岭回归或其他方法来处理。