原理

Ridge Regression，Lasso Regression和Elastic-Net Regression都是通过增加一个惩罚项让模型less sensitive。

Ridge Regression

以该图为例，红色的点为training data, 绿色的点为test data。虽然通过两个红色的点能得到一条完全拟合的线，但是这条红线对绿色的点预测较差差。
加入惩罚项之后，得到蓝色的线，与红色点拟合度降低的同时，对绿色的点预测更准确。
Ridge Regression，Lasso Regression和Elastic-Net Regression原理如下：

Ridge Regression and Lasso Regression

Elastic-Net Regression

Regularization

建立数据集

在没有数据的情况下建立一个数据集来模拟分析吧
先建立一个1000个容量，有5000个参数，但是实际上只有15个有用参数的数据集

set.seed(42)
#1000个样本
n <- 1000
#5000个参数
p <- 5000
#15个有用的参数
real_p <- 15
x <- matrix(rnorm(n*p), nrow=n, ncol=p)
##y的结果是x前15列的和，加上一些干扰项
y <- apply(x[,1:real_p], 1, sum) + rnorm(n))

做好了数据集，我们来尝试用x预测y，可以看出这个数据集存在大量没用参数，理论上来讲Lasso Regression使最合适的

分析

调用包

在R中，Ridge Regression，Lasso Regression和Elastic-Net Regression都可以用同一个包glmnet

glmnet原理，当α=0是球的是Ridge Regression，当α=1求得是Lasso Regression，当α介于0到1之间是求得是Elastic-Net Regression

library(glmnet)

区分好训练集和测试集

#将数据分为training和testing
#设定某些行为训练集
#在1：n之间随意选一个属，选中所有0.66*n的数，三分之二的数为train dataset, 行名保存在train_rows里面
train_rows <- sample(1:n, .66*n)
#根据train_rows作为索引，创建新的matrix，只含training data
x.train <- x[train_rows,]
#test data就是排除train data的
x.test <- x[-train_rows,]

#同样，将y也中的数据也分为训练和测试
y.train <- y[train_rows]
y.test <- y[-train_rows]

Ridge regression

#先用训练集建立模型, cv(corss validation),默认为10-Fold Cross Validation #
#前两个参数确定训练集，在本例中，我们想用x.train去预测y.train
#liner regression中type.measure="mse" mean squared error = suquared ressiduals/ sample size(如果要用logistic Regression,参数为deciance)
#ridge regression，所以alpha为0
#liner regression中family="gaussian" ; (logistic regression set "binomial")
#整个函数的意思是用cv.glmnet()，10-Fold Cross Validation, 拟合一个带有ridge regression惩罚项的linear regression,从而得到最优λ
alpha0.fit <- cv.glmnet(x.train,y.train, type.measure="mse", 
alpha=0, family="gaussian")
#现在将预测函数在testing中得到验证,预测数据保存
#第一个参数是预测模型，第二个参数是λ的值，能得到最简模型，虽然ridgere gression中可用lambda.min替代（不需要排除参数），为了比较三个模型，在这里统一设置lambda.1se
#news=x.test，
alpha0.predicted <- 
predict(alpha0.fit, s=alpha0.fit$lambda.1se, newx=x.test)
#比较真实值和预测值
mean((y.test - alpha0.predicted)^2)

lasso regression

alpha1.fit <- cv.glmnet(x.train,y.train, type.measure="mse", 
alpha=1, family="gaussian")
alpha1.predicted <- 
predict(alpha1.fit, s=alpha1.fit$lambda.1se, newx=x.test)
mean((y.test - alpha1.predicted)^2)

Elastic-Net Regression

先随便指定一下

α=0.5时

alpha0.5.fit <- cv.glmnet(x.train,y.train, type.measure="mse", 
alpha=0.5, family="gaussian")
alpha0.5.predicted <- 
predict(alpha0.5.fit, s=alpha0.5.fit$lambda.1se, newx=x.test)
mean((y.test - alpha0.5.predicted)^2)

用循环实现α=0.1, 0.2, ..., 1

来看三种方法到底哪个算的mean更小

list.of.fits <- list()
#用for来尝试不同的alpha
for(i in 0:10:{
fit.name <- paste0("alpha", i/10)
list.of.fits[[fit.name]] <- 
 cv.glmnet(x.train,y.train, type.measure="mse", 
alpha=i/10, family="gaussian")
}
#alpha 取值0.1, 0.2, ..., 1

results <- data.frame()
for(i in 0:10){
fit.name <- paste0("alpha", i/10)
predicted <-
predict(list.of.fits[[fit.name]],
s=list.of.fits[[fit.name]],
s=list.of.fits[[fit.name]]$lambda.1se, newx=x.test)

mse <- mean((y.test - predicted)^2)

temp <- data.frame(alpha=i/10, mse=mse, fit.name=fit.name)
results <- rbind(results, temp)
}

results

结果

statquest范例结果

可以看出当alpha=1 mse最小，这时实际上是Lasso Regression。
也证实了在有大量无用参数时，Lasson Regression比较合适。