Python数据科学：正则化方法！

本文主要介绍，Python数据科学：正则化方法。正则化方法的出现，通过收缩方法(正则化方法)进行回归。

正则化方法主要包括岭回归与LASSO回归。

一、岭回归

岭回归通过人为加入的惩罚项(约束项)，对回归系数进行估计，为有偏估计。

有偏估计，允许估计有不大的偏度，以换取估计的误差显著减小，并在其残差平方和为最小的原则下估计回归系数。

通常岭回归方程中的R²会稍低于线性回归分析，但回归系数的显著性往往明显高于普通线性回归。

这里不对相应的理论知识进行细说，说实话小F也是晕乎乎...

所以选择先调包，看看效果是啥样的。

使用机器学习框架scikit-learn进行岭回归参数的选择(正则化系数)。

数据是书中的数据，已上传网盘，公众号回复「正则化」，即可获取。

scikit-learn当中的模型不会默认对数据标准化，必须手动执行。

标准化后的数据可以消除量纲，让每个变量的系数在一定意义下进行直接比较。

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

from sklearn.linear_model import Ridge

from sklearn.linear_model import RidgeCV

from sklearn.preprocessing import StandardScaler

# 消除pandas输出省略号情况及换行情况

pd.set_option('display.max_columns', 500)

pd.set_option('display.width', 1000)

# 读取数据,skipinitialspace:忽略分隔符后的空白

df = pd.read_csv('creditcard_exp.csv', skipinitialspace=True)

# 获取信用卡有支出的行数据

exp = df[df['avg_exp'].notnull()].copy().iloc[:, 2:].drop('age2', axis=1)

# 获取信用卡无支出的行数据,NaN

exp_new = df[df['avg_exp'].isnull()].copy().iloc[:, 2:].drop('age2', axis=1)

# 选择4个连续变量,分别是年龄 收入 当地小区价格 当地人均收入

continuous_xcols = ['Age', 'Income', 'dist_home_val', 'dist_avg_income']

# 标准化

scaler = StandardScaler()

# 解释变量,二维数组

X = scaler.fit_transform(exp[continuous_xcols])

# 被解释变量,一维数组

y = exp['avg_exp_ln']

# 生成正则化系数

alphas = np.logspace(-2, 3, 100, base=10)

# 使用不同的正则化系数对模型进行交叉验证

rcv = RidgeCV(alphas=alphas, store_cv_values=True)

# 使用数据集训练(fit)

rcv.fit(X, y)

# 输出最优参数,正则化系数及相应模型R²

print('The best alpha is {}'.format(rcv.alpha_))

print('The r-square is {}'.format(rcv.score(X, y)))

# 训练好后使用transform进行数据转换

X_new = scaler.transform(exp_new[continuous_xcols])

# 使用模型对数据做预测

print(np.exp(rcv.predict(X_new)[:5]))

输出结果如下。

进群：960410445 即可获取书十套PDF！

最优正则化系数为0.29，模型R²为0.475。

并使用最优正则化系数下的岭回归模型预测数据。

对不同正则化系数下模型的均方误差进行可视化。

# 正则化系数搜索空间当中每轮交叉验证的结果,模型的均方误差

cv_values = rcv.cv_values_

n_fold, n_alphas = cv_values.shape

# 模型均方误差上下波动值

cv_mean = cv_values.mean(axis=0)

cv_std = cv_values.std(axis=0)

ub = cv_mean + cv_std / np.sqrt(n_fold)

lb = cv_mean - cv_std / np.sqrt(n_fold)

# 绘制折线图,x轴是指数型形式

plt.semilogx(alphas, cv_mean, label='mean_score')

# y1(lb)和y2(ub)之间进行填充

plt.fill_between(alphas, lb, ub, alpha=0.2)

plt.xlabel('$\alpha$')

plt.ylabel('mean squared errors')

plt.legend(loc='best')

plt.show()

输出结果如下。

发现正则化系数在40或50以下时，模型的均方误差相差不大。

当系数超过该阈值时，均方误差则快速上升。

所以正则化系数只要小于40或50，模型的拟合效果应该都不错。

正则化系数越小则模型拟合越好，但过拟合情况也越容易发生。

正则化系数越大，则越不容易过拟合，但模型的偏差越大。

RidgeCV通过交叉验证，可以快速返回“最优”的正则化系数。

当这只是基于数值计算的，可能最终结果并不符合业务逻辑。

比如本次模型的变量系数。

# 输出模型的变量系数

print(rcv.coef_)

# 输出结果

[ 0.03321449 -0.30956185 0.05551208 0.59067449]

发现收入的系数为负值，这肯定是不合理的。

下面通过岭迹图进行进一步分析。

岭迹图是在不同正则化系数下变量系数的轨迹。

ridge = Ridge()

coefs = []

# 不同正则化系数下的变量系数

for alpha in alphas:

ridge.set_params(alpha=alpha)

ridge.fit(X, y)

coefs.append(ridge.coef_)

# 绘制变量系数随正则化系数变化的轨迹

ax = plt.gca()

ax.plot(alphas, coefs)

ax.set_xscale('log')

plt.xlabel('alpha')

plt.ylabel('weights')

plt.title('Ridge coefficients as a function of the regularization')

plt.axis('tight')

plt.show()

输出结果。

①有两个变量的系数在不同的正则化系数下都很接近于0，那么可以选择删除。

②正则化系数越大，对变量系数的惩罚越大，所有变量的系数都趋近于0。

③有一个变量的系数变化非常大(有正有负)，说明该系数的方差大，存在共线性的情况。

综合模型均方误差和岭迹图的情况，选取正则化系数为40。

如果大于40，则模型均方误差增大，模型拟合效果变差。

如果小于40，则变量系数不稳定，共线性没有得到抑制。

那么就来看看，当正则化系数为40时，模型变量系数的情况。

ridge.set_params(alpha=40)

ridge.fit(X, y)

# 输出变量系数

print(ridge.coef_)

# 输出模型R²

print(ridge.score(X, y))

# 预测数据

print(np.exp(ridge.predict(X_new)[:5]))

# 输出结果

[0.03293109 0.09907747 0.04976305 0.12101456]

0.4255673043353688

[934.79025945 727.11042209 703.88143602 759.04342764 709.54172995]

发现变量系数都为正值，符合业务直觉。

收入和当地人均收入这两个变量可以保留，另外两个删除。

二、LASSO回归

LASSO回归，在令回归系数的绝对值之和小于一个常数的约束条件下，使残差平方和最小化。

从而能够产生某些严格等于0的回归系数，得到解释力较强的模型。

相比岭回归，LASSO回归还可以进行变量筛选。

使用LassoCV交叉验证确定最优的正则化系数。

# 生成正则化系数

lasso_alphas = np.logspace(-3, 0, 100, base=10)

# 使用不同的正则化系数对模型进行交叉验证

lcv = LassoCV(alphas=lasso_alphas, cv=10)

# 使用数据集训练(fit)

lcv.fit(X, y)

# 输出最优参数,正则化系数及相应模型R²

print('The best alpha is {}'.format(lcv.alpha_))

print('The r-square is {}'.format(lcv.score(X, y)))

# 输出结果

The best alpha is 0.04037017258596556

The r-square is 0.4426451069862233

发现最优的正则化系数为0.04，模型R²为0.443。

接下来获取不同正则化系数下的变量系数轨迹。

lasso = Lasso()

lasso_coefs = []

# 不同正则化系数下的变量系数

for alpha in lasso_alphas:

lasso.set_params(alpha=alpha)

lasso.fit(X, y)

lasso_coefs.append(lasso.coef_)

# 绘制变量系数随正则化系数变化的轨迹

ax = plt.gca()

ax.plot(lasso_alphas, lasso_coefs)

ax.set_xscale('log')

plt.xlabel('alpha')

plt.ylabel('weights')

plt.title('Lasso coefficients as a function of the regularization')

plt.axis('tight')

plt.show()

输出结果。

发现随着正则化系数的增大，所有变量的系数会在某一阈值突降为0。

其中缘由与LASSO回归方程有关，不细说。

输出LASSO回归的变量系数。

print(lcv.coef_)

# 输出结果

[0. 0. 0.02789489 0.26549855]

发现前两个变量被筛选掉了，即年龄和收入。

为啥和岭回归的结果不一样呢???

三、总结

坑留的有点多，待小F慢慢填...