0A03 无监督学习:分类(1) 线性回归Lasso

为了解决Ridge产生的较大的计算,Lasso很好的解决了这一问题.

　　Ridge的规范化是 aΣw² 

　　Lasso的规范化是aΣ|w|

但是Lasso的惩罚效果却比Ridge严厉的多.可以把很多的w都惩罚为0.

实战:

import numpy as np
import matplotlib.pyplot as plt
from sklearn import linear_model    # 线性回归

# 初始化数据
def make_data(nDim):
    x0 = np.linspace(1,np.pi,50)
    x = np.vstack([[x0],[i**x0 for i in range(2,nDim+1)]])     # 按行不断相加
    y = np.sin(x0) + np.random.normal(0,0.15,len(x0))
    return x.transpose(),y        # 关键是对X转置了

x,y = make_data(12)

def lasso_regression():
    alphas = [1e-10,1e-3,1,10]       # a列表
    for idx,i in enumerate(alphas):
        plt.subplot(2,len(alphas)/2,idx+1)
        reg = linear_model.Lasso(alpha = i)    # 初始化Lasso对象
        sub_x = x[:,0:12]                      # 取全部12维的特征
        reg.fit(sub_x,y)                       # 进行训练
        plt.plot(x[:,0],reg.predict(sub_x))
        plt.plot(x[:,0],y,‘.‘)
        plt.title("dim=12,alpha=%e"%i)

        print("alpha %e"%i)
        print("intercept_ :"% (reg.intercept_))
        print("coef_: %s"% (reg.coef_))
    plt.show()

lasso_regression()

Out:

 alpha 1.000000e-10

intercept_ :
coef_: [ 2.04299371e+00 -8.51843390e-01 -4.24962643e-02 -1.84973826e-03
1.23358346e-03 1.04820524e-03 6.83173993e-04 4.30557304e-04
2.74201438e-04 1.78402076e-04 1.18808043e-04 8.09076056e-05]

alpha 1.000000e-03

intercept_ :

coef_: [ 1.34709178e+00 -2.25101225e-01 -1.24268682e-01 -1.06427929e-02
-2.54148588e-04 5.07251667e-04 7.93022205e-04 5.44370622e-04
3.66845898e-04 2.49812709e-04 1.73236411e-04 1.22468296e-04]

alpha 1.000000e+00
intercept_ :
coef_: [-0. -0. -0. -0. -0. -0.
-0. -0. -0. -0.0005254 -0.00026335 -0. ]
alpha 1.000000e+01
intercept_ :
coef_: [-0. -0. -0. -0. -0. -0.
-0. -0. -0. -0. -0. -0.00047827]

我们可以看出a越大,就有越来越多的回归参数被设为0.

0A03 无监督学习:分类(1) 线性回归Lasso

原文：https://www.cnblogs.com/liu247/p/11068538.html