讲透一个强大算法模型，Lasso回归 ！！
理论基础
Lasso回归就是在普通最小二乘法的基础上增加了一个惩罚项，用于约束模型中的系数，使某些系数变为零，从而实现特征选择。
1. 数学公式
在普通的线性回归中，我们的目标是找到参数向量 使得损失函数（即残差平方和）最小化：
其中， 是第 个样本的特征向量， 是对应的目标值， 是回归系数向量。
在Lasso回归中，我们在损失函数中添加一个 正则化项，这个项是所有系数的绝对值之和。Lasso回归的优化目标变为：
其中， 是正则化参数，用于控制惩罚项的权重。
2. 公式推理
为了理解Lasso回归的公式推理，我们需要从优化问题的角度来看。
普通最小二乘法（OLS）：
最小化残差平方和：
Lasso回归：
在OLS的基础上，加上一个 正则化项：
其中， 是正则化项，它通过增加非零系数的数量来惩罚模型的复杂性。
梯度下降法：
为了最小化这个目标函数，我们可以使用梯度下降法。梯度下降的更新规则如下：
其中， 是学习率， 是目标函数的梯度。
计算梯度时，普通最小二乘项的梯度是：
正则化项的梯度稍微复杂一些，因为 范数的导数在零点不连续。其导数形式是：
其中， 表示符号函数。
综合以上两部分，我们得到Lasso回归的梯度：
注意：梯度下降法仅是解决这个优化问题的一种方法，也有其他方法如坐标下降法。
3. 算法流程
下面是Lasso回归的算法流程，假设使用梯度下降法来优化：
- 初始化参数：
- 设置学习率 和正则化参数 。
- 初始化回归系数 为零或小的随机值。
- 迭代更新：
- 计算预测值：
- 计算误差：
- 计算梯度：
- 更新参数：
- 重复上述步骤直到收敛（即参数变化很小或达到最大迭代次数）。
- 输出结果：
- 最终的回归系数 。
通过上述流程，我们可以得到一个包含最重要特征的稀疏模型。
4. 几何解释
假设我们有两个特征 和 ，Lasso 回归的惩罚项 的几何形状是一个菱形。而 OLS 的等值线是椭圆形。当我们在优化过程中缩小误差平方和的同时约束 （即菱形内的区域），最终会导致优化解在菱形的顶点处。这些顶点对应于一些系数（如 或 ）为零，从而实现特征选择。
总之，通过Lasso回归，我们不仅能得到一个适合数据的模型，还能自动筛选出对结果有重要影响的特征，使得模型更加简洁和解释性更强。
完整案例
我们使用加利福尼亚房价数据集，该数据集包含了1990年美国加州各个区的房屋价格以及相关的地理和人口统计数据。
这个数据集可以通过 Scikit-learn 库获取，大家不需要额外去寻找~
主要步骤：
- 加载和探索数据
- 数据预处理
- 特征工程
- 建立和优化 Lasso 模型
- 模型评估
- 结果可视化
下面，咱们一步一步来实现，细节的地方大家可以看注释部分。
1. 加载和探索数据
首先，我们加载数据并进行初步探索。
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn.linear_model import Lasso
from sklearn.metrics import mean_squared_error, r2_score
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import GridSearchCV
# 加载数据
from sklearn.datasets import fetch_california_housing
data = fetch_california_housing()
df = pd.DataFrame(data.data, columns=data.feature_names)
df['MedHouseVal'] = data.target
# 初步查看数据
print(df.head())
print(df.describe())2. 数据预处理
处理数据中的缺失值，并进行特征缩放。
# 检查缺失值
print(df.isnull().sum())
# 分离特征和目标变量
X = df.drop('MedHouseVal', axis=1)
y = df['MedHouseVal']
# 数据分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 特征缩放
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)3. 特征工程
可视化特征之间的关系以帮助理解数据。
# 特征相关性
plt.figure(figsize=(10, 8))
sns.heatmap(df.corr(), annot=True, cmap='coolwarm', linewidths=0.5)
plt.title('Feature Correlation Heatmap')
plt.show()
4. 建立和优化 Lasso 模型
使用交叉验证和网格搜索优化 Lasso 模型。
# 建立 Lasso 模型
lasso = Lasso()
# 定义超参数网格
param_grid = {'alpha': np.logspace(-4, 4, 50)}
# 网格搜索
grid_search = GridSearchCV(lasso, param_grid, cv=5, scoring='neg_mean_squared_error')
grid_search.fit(X_train_scaled, y_train)
# 最佳超参数
best_alpha = grid_search.best_params_['alpha']
print(f'Best alpha: {best_alpha}')
# 训练最终模型
lasso_opt = Lasso(alpha=best_alpha)
lasso_opt.fit(X_train_scaled, y_train)5. 模型评估
评估模型性能，并计算各项指标。
# 预测
y_pred_train = lasso_opt.predict(X_train_scaled)
y_pred_test = lasso_opt.predict(X_test_scaled)
# 评估
mse_train = mean_squared_error(y_train, y_pred_train)
mse_test = mean_squared_error(y_test, y_pred_test)
r2_train = r2_score(y_train, y_pred_train)
r2_test = r2_score(y_test, y_pred_test)
print(f'MSE (Train): {mse_train}')
print(f'MSE (Test): {mse_test}')
print(f'R^2 (Train): {r2_train}')
print(f'R^2 (Test): {r2_test}')6. 结果可视化
可视化实际值与预测值之间的关系。
# 可视化
plt.figure(figsize=(10, 6))
plt.scatter(y_test, y_pred_test, alpha=0.6, color='b')
plt.plot([0, 5], [0, 5], 'r--')
plt.xlabel('Actual')
plt.ylabel('Predicted')
plt.title('Actual vs Predicted House Prices')
plt.show()
其中，有几个点，需要大家注意下~
- 数据预处理：确保所有特征进行标准化，避免特征值差异过大对模型的影响。
- 参数调整：使用网格搜索找到最佳的正则化参数
alpha。 - 模型评估：计算 MSE 和 R² 来评估模型性能，并通过可视化检查预测效果。
- 特征重要性：可以查看哪些特征对模型的贡献最大。Lasso 回归会将不重要的特征系数压缩为零，这也可以帮助我们理解特征的重要性。
通过上述整个的过程，大家基本可以全面了解如何使用 Lasso 回归进行房价预测，并且理解原理和代码的实现。最后，并通过优化提升模型性能。
模型分析
先来聊聊Lasso回归的优缺点~
优点
- 特征选择：Lasso回归会将一些不重要的特征的系数缩减为零，从而实现特征选择。这使得模型更加简洁和易于解释。
- 减少过拟合：通过引入正则化项，Lasso回归可以有效地减少过拟合，提高模型的泛化能力。
- 简单高效：Lasso回归相对简单，计算效率高，适用于处理高维数据。
缺点
- 多重共线性问题：当特征之间存在多重共线性时，Lasso回归可能无法正确选择特征，导致模型性能下降。
- 计算复杂度：在大规模数据集上，Lasso回归的计算复杂度可能较高，尤其是当使用网格搜索优化超参数时。
- 模型解释性：虽然Lasso回归能进行特征选择，但对结果的解释性仍可能受到数据特性的影响，有时难以完全理解模型的行为。
与相似算法的对比
Ridge 回归
Ridge回归（岭回归）也是一种正则化的线性回归方法，但它使用 范数（系数的平方和）作为正则化项。与Lasso回归相比，Ridge回归不会将特征系数缩减为零，因此不会进行特征选择。
- 优点：
- 适用于多重共线性问题。
- 不会将系数缩减为零，保留了所有特征的信息。
- 缺点：
- 无法进行特征选择，模型可能不够简洁。
Elastic Net 回归
Elastic Net回归结合了Lasso和Ridge的正则化项，使用 和 范数的组合。
- 优点：
- 结合了Lasso和Ridge的优点，既能进行特征选择，又能处理多重共线性问题。
- 更加灵活，适应性强。
- 缺点：
- 需要调节两个正则化参数，模型复杂度增加。
使用场景
适用场景
- 特征数量多但重要特征少：Lasso回归非常适合特征数量多，但其中只有少数特征真正重要的情况，因为它可以自动进行特征选择。
- 减少模型复杂度：在希望模型更加简洁易于解释的场景中，Lasso回归是一个好的选择。
- 防止过拟合：在数据较少但特征较多的情况下，Lasso回归通过正则化防止过拟合，提高模型的泛化能力。
其他算法优选场景
- 多重共线性：当特征之间存在强烈的多重共线性时，Ridge回归或Elastic Net回归可能更合适，因为Lasso回归在这种情况下可能无法正确选择特征。
- 所有特征都重要：如果所有特征都对模型预测有贡献，并且不希望丢弃任何特征，可以考虑使用Ridge回归。
- 需要更强的正则化效果：在特征数量非常庞大的情况下，Elastic Net回归可能提供更好的正则化效果，兼顾特征选择和多重共线性处理。
最后
Lasso回归，其实特别适用于高维数据和需要特征选择的场景。然而，在多重共线性严重或需要保留所有特征的情况下，Ridge回归或Elastic Net回归可能是更好的选择。
本文章转载微信公众号@深夜努力写Python
