1、正则化原理概述

1.1 正则化简述

当将线性回归和逻辑回归等模型应用到某些特定的机器学习应用时，经常会遇到过拟合 (over-fitting)的问题，可能会导致模型效果很差。 而正则化（regularization）则可以减少过拟合问题。

正则化项是结构风险最小化策略的实现，可以理解为是接在损失函数后的额外项，可以看做是损失函数的惩罚项，惩罚项对损失函数的某些参数进行限制。简单来说，正则化是一种为了减小测试误差的行为(有时候会增加训练误差)。使用正则化，降低模型的复杂度。

1.2 正则化类型

1.2.1 L1 正则化

L1 正则化通常称为 Lasso 正则，公式为：

image.png

一般回归分析中回归w表示特征的系数，从上式可以看到正则化项是对系数做了处理（限制）。L1正则化是指权值向量w中各个元素的绝对值之和，通常表示为∣∣w∣∣1。

一般会在正则化项之前添加一个系数，一般用α表示，也用λ表示，这个系数需要自己指定。

L1正则化可以产生参数稀疏解，即让系数等于0，假设L1正则化的损失函数为：

image.png

其中J0是原始的损失函数，加号后面的一项是L1正则化项，α是正则化系数。注意到L1正则化是权值的绝对值之和，J是带有绝对值符号的函数，因此J是不完全可微的。机器学习的任务就是要通过一些方法（比如梯度下降）求出损失函数的最小值。当我们在原始损失函数J0后添加L1正则化项时，相当于对J0做了一个约束。

如下图所示：假设模型只有二个参数，为w1和w2，L1正则化项α∣∣w∣∣1为图中正方形部分，参数既要落在正方形部分，又要离损失函数最近，因此图中与y轴相交点为稀疏解，因此L1可用于特征选择，也可以防止过拟合。

image.png

正则化前面的系数α，可以控制L图形的大小。α越小，L的图形越大（下图中的黑色方框）；α越大，L的图形就越小，可以小到黑色方框只超出原点范围一点点，这是最优点的值(w1,w2)=(0,w)中的w可以取到很小的值。

1.2.2 L2 正则化

L2 正则化通常称为岭回归，公式为：

​ image.png

由公式可见，L2正则化项是在损失函数式中加上α∣∣w∣∣2^2，L1正则化是指权值向量w中各个元素的平方和然后再求平方根。

假设L2正则化的损失函数为：

image.png

同样可以画出他们在二维平面上的图形，如下：

image.png

二维平面下L2正则化的函数图形是个圆，与方形相比，被磨去了棱角。因此J0与L相交时使得w1或w2等于零的机率小了许多，这就是为什么L2正则化不具有稀疏性的原因。

L2正则化可以防止模型过拟合（overfitting），拟合过程中通常都倾向于让权值尽可能小，最后构造一个所有参数都比较小的模型。因为一般认为参数值小的模型比较简单，能适应不同的数据集，也在一定程度上避免了过拟合现象。

1.3 正则化参数

1.3.1 L1参数

假设有如下带L1正则化项的代价函数：

image.png

其中x是要估计的参数，相当于上文中提到的w以及θ注意到L1正则化在某些位置是不可导的，当λ足够大时可以使得F(x)在x=0时取到最小值。

1.3.2 L2参数

λ越大，θj衰减得越快，λ越大，L2圆的半径越小，最后求得损失函数最值时各参数也会变得很小。

2、sklearn代码实现

2.1 多项式预测

# 导入所需的包
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import  train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
from sklearn.linear_model import Ridge #在sklearn的linear_model下的Ridge类中已经对L2进行封装

# 创建数据集
np.random.seed(42)
x = np.random.uniform(-3, 3, size=100)
X = x.reshape(-1, 1)

# y = 0.5x + 3并加入噪声
noise = np.random.normal(0, 1,size=100)
noise = noise.reshape(-1, 1)
y = 0.5 * X + 3 + noise
np.random.seed(666)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=666)

# 封装多项式函数，定义PipeLine
def PolynomialRegression(degree):
    return Pipeline(
        [
            ('poly', PolynomialFeatures(degree=degree)),
            ('std', StandardScaler()),
            ('lin_reg', LinearRegression())
        ]
    )

# 画出回归模型预测值形成的模型曲线
def plot_model(model):
    X_plot = np.linspace(-3, 3, 100).reshape(-1, 1)
    y_plot = model.predict(X_plot)
    plt.scatter(x, y)
    plt.plot(X_plot[:, 0], y_plot, color='r')
    plt.axis([-3, 3, 0, 6])
    plt.show()

# 使用degree=20的多项式回归
poly = PolynomialRegression(degree=20)
poly.fit(X_train, y_train)
y_test_predict = poly.predict(X_test)
mse = mean_squared_error(y_test, y_test_predict)
print('多项式回归MSE:', mse)
plot_model(poly)

运行结果：
多项式回归MSE: 167.9401086729357

image.png

2.2 L2正则化

由上图可见使用degree=20的多项式回归，得到的模型必然是个过拟合的模型。下面使用L2进行模型范化，对比结果。

# 使用L2正则化进行模型范化
def RidgeRegression(degree, alpha):
    return Pipeline(
        [
            ('poly', PolynomialFeatures(degree=degree)),
            ('std', StandardScaler()),
            ('lin_reg', Ridge(alpha=alpha))
        ]
    )

# 传入一个alpha参数,alpha=1
ridge1 = RidgeRegression(degree=20, alpha=1)
ridge1.fit(X_train, y_train)
y_test_predict = ridge1.predict(X_test)
mse = mean_squared_error(y_test_predict, y_test)
print('L2正则化后MSE:', mse)
plot_model(ridge1)

运行结果：
L2正则化后MSE: 1.1888759304218448

image.png

使用L2对模型进行正则化后的预测值的MSE可看出，模型的准确度大幅提升，曲线平滑许多。

2.3 L1正则化

数据源取上面定义的数据集，测试L1正则化的效果。

# 使用L1正则化
from sklearn.linear_model import Lasso 
def LassoRegression(degree, alpha):
    return Pipeline(
        [
            ('poly', PolynomialFeatures(degree=degree)),
            ('std', StandardScaler()),
            ('lin_reg', Lasso(alpha=alpha))
        ]
    )

# 传入一个alpha参数,alpha=1
lasso1 = LassoRegression(20, 1)
lasso1.fit(X_train, y_train)
y_predict = lasso1.predict(X_test)
mse = mean_squared_error(y_predict, y_test)
print('L1正则化后MSE: ', mse)
plot_model(lasso1)

运行结果：
L1正则化后MSE: 1.8408939659515595

image.png

由上图可见，L1正则化系数过大造成模型欠拟合，下面调整正则化系数，使用系数=0.01看看效果。

# 使用L1正则化
from sklearn.linear_model import Lasso 
def LassoRegression(degree, alpha):
    return Pipeline(
        [
            ('poly', PolynomialFeatures(degree=degree)),
            ('std', StandardScaler()),
            ('lin_reg', Lasso(alpha=alpha))
        ]
    )

# 传入一个alpha参数,alpha=0.01
lasso1 = LassoRegression(20, 0.01)
lasso1.fit(X_train, y_train)
y_predict = lasso1.predict(X_test)
mse = mean_squared_error(y_predict, y_test)
print('L1正则化后MSE: ', mse)
plot_model(lasso1)

运行结果：
L1正则化后MSE: 1.1496080843259966

image.png

由上图可见，模型准确率已经得到很大的提升了。因此得出正则化系数与Lasso回归的关系。正则化系数越大，模型泛化能力越强，正则化系数越小，泛化能力越弱。

​

正则化原理参考文章：https://blog.csdn.net/jinping_shi/article/details/52433975