岭回归解决多重共线

概括

岭回归是一种简约模型，执行L2正则化。L2正则化添加的惩罚相当于回归系数的平方，并试图将它们最小化。岭回归的方程如下所示：

LS Obj + λ (sum of the square of coefficients)

这里的目标如下：

如果 λ = 0，则输出类似于简单线性回归。
如果 λ = 非常大，回归系数将变为零。

训练岭回归模型

要在R中构建岭回归，会用到glmnet包中的glmnet函数。使用mtcars数据集来进行对里程的预测。

# Loaging the library
library(glmnet)
# Getting the independent variable
x_var <- data.matrix(mtcars[, c("hp", "wt", "drat")])
# Getting the dependent variable
y_var <- mtcars[, "mpg"]

# Setting the range of lambda values
lambda_seq <- 10^seq(2, -2, by = -.1)
# Using glmnet function to build the ridge regression in r
fit <- glmnet(x_var, y_var, alpha = 0, lambda  = lambda_seq)
# Checking the model
summary(fit)

# Output
          Length Class     Mode
a0         41    -none-    numeric
beta      123    dgCMatrix S4
df         41    -none-    numeric
dim         2    -none-    numeric
lambda     41    -none-    numeric
dev.ratio  41    -none-    numeric
nulldev     1    -none-    numeric
npasses     1    -none-    numeric
jerr        1    -none-    numeric
offset      1    -none-    logical
call        5    -none-    call
nobs        1    -none-    numeric

选择最佳Lambda值

glmnet 函数会针对所有不同的 lambda 值多次训练模型，我们将这些值作为向量序列传递给 glmnet 函数的 lambda 参数。接下来的任务是自动使用 cv.glmnet() 函数来识别能够导致最小误差的最优 lambda 值。这可以通过交叉验证来实现，交叉验证有助于评估模型在新的、未见过的数据上的泛化能力。

以下是使用 cv.glmnet() 进行岭回归交叉验证的示例：

# Using cross validation glmnet
ridge_cv <- cv.glmnet(x_var, y_var, alpha = 0, lambda = lambdas)
# Best lambda value
best_lambda <- ridge_cv$lambda.min
best_lambda

# Output
[1] 79.43000

使用K折交叉验证决定最佳模型

最佳模型可以通过从交叉验证对象中调用 glmnet.fit 来提取。根据Dev值来决定最佳模型，这里可以通过将 lambda 设置为 79.43000 来重新构建模型。

best_fit <- ridge_cv$glmnet.fit
head(best_fit)

# Output
      Df   %Dev    Lambda
 [1,]  3 0.1798 100.00000
 [2,]  3 0.2167  79.43000
 [3,]  3 0.2589  63.10000
 [4,]  3 0.3060  50.12000
 [5,]  3 0.3574  39.81000
 [6,]  3 0.4120  31.62000

建立最后的模型

# Rebuilding the model with optimal lambda value
best_ridge <- glmnet(x_var, y_var, alpha = 0, lambda = 79.43000)

确认回归系数

coef(best_ridge)

# Output
4 x 1 sparse Matrix of class "dgCMatrix"
                      s0
(Intercept) 20.099502946
hp          -0.004398609
wt          -0.344175261
drat         0.484807607

如果事先有划分训练集和验证集的话也可以通过R2值来检查模型拟合度

# here x is the test dataset
pred <- predict(best_ridge, s = best_lambda, newx = x)

# R squared formula
actual <- test$Price
preds <- test$PreditedPrice
rss <- sum((preds - actual) ^ 2)
tss <- sum((actual - mean(actual)) ^ 2)
rsq <- 1 - rss/tss
rsq