线性回归模型在实际应用中,可能会出现自变量个数多于样本量或者自变量间存在多重共线性的情况,此时无法估计回归系数。而岭回归和LASSO回归则可以解决这类问题。
1 岭回归模型
线性回归模型的参数估计公式为β=[(X^’ X)]^(-1) X^’y,为解决自变量个数多于样本量或者自变量间存在多重共线性而导致偏回归系数无解的情况,岭回归模型对此进行修正,加入惩罚项系数λ,模型系数表达式为β=[(X^’ X + λI)]^(-1) X^’y,所以关键点是找到合理的λ值。λ值的确定有两种方法,可视化和交叉验证法。
1.1 可视化方法确定λ值
可以用sklearn子模块linear_model中的Ridge类实现模型系数的求解。
首先导入常用的程序库和读取数据集:
1 | %matplotlib inline |

1 | #构造自变量 |

图中的每条折线代表了不同的变量,对于比较突出的喇叭形折线,一般代表该变量存在多重共线性。当λ值在0.01附近时,绝大多数变量的回归系数趋于稳定,故认为λ值可以选择在0.01附近。
1.2 交叉验证法确定λ值
可以用sklearn子模块linear_model中的RidgeCV类实现岭回归模型的k重交叉验证。
1 | #设置交叉验证的参数,对于每个Lambda值,都执行10重交叉验证 |
结果与可视化确定的λ值保持一致。
1.3 模型的预测
1 | #基于最佳的Lambda值建模 |
基于上述结果就可得到岭回归模型的表达式啦!
接下来用该模型对测试集中的数据进行预测:
1 | from sklearn.metrics import mean_squared_error |
使用均方根误差RMSE对模型的预测效果做定量的统计值,对于该统计量,值越小,说明模型对数据的拟合效果越好。
2 LASSO回归模型
与岭回归模型类似,LASSO回归同样属于缩减性估计,而且在回归系数的缩减过程中,可以将一些不重要的回归系数直接缩减为0,即达到变量筛选的功能(而岭回归不管怎么缩减,始终保留建模时的所有变量),原本在岭回归模型中的惩罚项由平方和改成了绝对值。同样,可用可视化和交叉验证法确定λ值。
2.1 可视化方法确定λ值
1 | from sklearn.linear_model import Lasso,LassoCV |
由图可知,当λ值落在0.05附近时,绝大多数变量的回归系数趋于稳定。
2.2 交叉验证法确定λ值
可以用sklearn子模块linear_model中的LassoCV类实现LASSO回归模型的k重交叉验证。
1 | lasso_cv = LassoCV(alphas = Lambdas, normalize=True, |
最终得到合理的λ值为0.0629,与可视化方法得到的λ值范围基本保持一致。
2.3 模型的预测
1 | lasso = Lasso(alpha = lasso_best_alpha, normalize=True, max_iter=10000) |
系数中含有两个0,说明这两个变量对因变量没有显著意义,基于此可得LASSO回归模型的表达式。
接下来用该模型对测试集中的数据进行预测,计算出用于评估模型好坏的均方根误差RMSE:
1 | lasso_predict = lasso.predict(X_test) |
该RMSE比岭回归的RMSE值大约下降0.8,说明在降低模型复杂度的情况下(模型删除了两个变量),进一步提升了模型的拟合效果。
所以,绝大多数情况下,LASSO回归得到的系数比岭回归模型更加可靠和易于理解。
3 多元线性回归模型
用多元线性回归模型对比前面两种模型在同一数据集上的拟合效果:
1 | from statsmodels import api as sms |
需要注意的是,构建多元线性回归模型使用的是OLS类,该类在建模时不拟合截距项,为了得到模型的截距项,需要在训练集和测试集的自变量矩阵中添加常数列1。基于以上结果可以得到多元线性回归模型的表达式。
1 | linear_predict = linear.predict(X_test2) |
结果显示,在对模型结果不做任何假设检验和拟合诊断的情况下,线性回归模型的拟合效果在三个模型中是最差的(RMSE值最大)。
- 本笔记基于刘顺祥的《从零开始学Python数据分析与挖掘》整理