【机器学习】岭回归（L2正则在干嘛！）
在之前我們有介紹過貝葉斯線性回歸，貝葉斯線性回歸利用了最大后驗估計（MAP）加上權重的高斯分布先驗推導出帶有L2正則項的線性回歸。
其實這就是嶺回歸，即? ? ?嶺回歸=MAP+高斯先驗。
推導就參見貝葉斯線性回歸了，其實兩者就是一模一樣的東西，不過貝葉斯線性回歸更側重于推導這個過程，因為用了MAP方法，而提到嶺回歸我們就會更去研究強調其L2正則項的一些特性與作用。
直接給出嶺回歸的推導結果：
強烈建議閱讀其MAP+高斯分布先驗的推導過程
Normal Equation推導
接下來就按照之前在線性回歸之Normal Equation里講過的Normal Equation方法推導一下加入L2正則化之后的嶺回歸有什么不同。
對上面的目標函數(shù)做一些符號替換以及變形，我們記，，，
則得到新的目標函數(shù)：
向量化變形之后得到：
對其求導得：
最后可以得到：
我們記（后面會用到）
可以發(fā)現(xiàn)上述正規(guī)方程與一般線性回歸的正規(guī)方程相比，多了一項，其中表示單位矩陣。假如是一個奇異矩陣（不滿秩），添加這一項后可以保證該項可逆。由于單位矩陣的形狀是對角線上為1其他地方都為0，看起來像一條山嶺，因此而得名。
回顧一下，Normal Equation方法可以幫助我們求解得到誤差最小的向量，至于為什么加入之后可以解決矩陣病態(tài)等問題，會在之后新開一篇文章來詳細講解。先稍微提一嘴，單位矩陣是滿秩矩陣，故也是滿秩矩陣，所以可以求穩(wěn)定的逆。
參見L2范數(shù)之解救矩陣病態(tài)
嶺回歸的幾何解釋
先來回顧一下偏差與方差：
偏差：預測數(shù)據(jù)和真實數(shù)據(jù)的差距
方差：預測出來數(shù)據(jù)的分散程度
下面以兩變量為例
沒有約束項時系數(shù)β1和β2已經(jīng)經(jīng)過標準化。殘差平方和RSS可以表示為β1和β2的一個二次函數(shù)，數(shù)學上可以用一個拋物面表示。
約束項對應著投影為β1和β2平面上的一個圓，即下圖中的圓柱
橢圓形拋物面為即平方差損失函數(shù)，圓柱形為，由最小二乘法求得的解釋拋物面的最低點，由嶺回歸得到的是黃色的點，一般來說，擬合的誤差值（偏差）越小，的各個元素（權值）的方差越高，所以嶺回歸是找到一個方差不會太大，誤差也不會太大的權衡的點。隨著t的增大，也就是圓柱的半徑，方差變大（對照上面偏差方差的圖仔細想一下）。
從β1，β2平面理解，即為拋物面等高線在水平面的投影和圓的交點，如下圖所示
這幅圖其實在之前講L1、L2正則化時出現(xiàn)過。
嶺回歸的性質：
?
嶺跡圖：
是的函數(shù)，嶺跡圖的橫坐標為，縱坐標為。而是一個向量，由、、…等很多分量組成，每一個分量都是的函數(shù)，將每一個分量分別用一條線。
當不存在奇異性時，嶺跡應是穩(wěn)定地逐漸趨向于0
嶺跡圖(a要改成\theta)其實很好理解，當趨向于無窮的時候，所有參數(shù)都應該趨向于0，懲罰很大。
嶺跡圖作用：
在很小時，很大，且不穩(wěn)定，當增大到一定程度時，系數(shù)迅速縮小，趨于穩(wěn)定。
的選擇：一般通過觀察，選取喇叭口附近的值，此時各各分量已趨于穩(wěn)定，但總的RSS又不是很大。?
選擇變量：刪除那些取值一直趨于0的變量。
嶺參數(shù)的一般選擇原則
選擇λ值，使得
取λ的方法比較多，但是結果差異較大。這是嶺回歸的弱點之一。
?
參考文章：
最小二乘法與嶺回歸的介紹與對比
最小二乘法和嶺回歸
嶺回歸
總結
以上是生活随笔為你收集整理的【机器学习】岭回归（L2正则在干嘛！）的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 【机器学习】L1正则化与L2正则化详解及
- 下一篇： 【机器学习】Lasso回归（L1正则，M