岭回归（Ridge Regression）中的 α 值
岭回归（Ridge Regression）是一种 带有 L2 正则化 的线性回归方法，用于处理多重共线性（Multicollinearity）问题，提高模型的泛化能力。其中，α 值（正则化强度） 是岭回归的关键超参数，它决定了正则化项的权重。
1. 岭回归的损失函数
岭回归的目标是在最小化均方误差（MSE）的基础上，引入 L2 正则化，以防止过拟合。其损失函数（目标函数）如下：
其中：
2. α 值的影响
α 值的大小直接影响岭回归模型的性能：
| α 值 | 影响 |
|---|---|
| α = 0 | 退化为普通最小二乘（OLS），没有正则化，容易过拟合。 |
| 小 α | 保留大部分特征的贡献，轻微减少过拟合。 |
| 较大 α | 增强正则化，减少系数的大小，降低方差但可能增大偏差。 |
| α → ∞ | 所有系数趋近于 0，模型变得过于简单，可能欠拟合。 |
一般来说，α 值需要通过 交叉验证（Cross-Validation） 来选择，使得模型在训练集和测试集上都能表现良好。
3. 岭回归的矩阵形式
岭回归的最优解可以通过闭式解公式求得：
其中：
- X 是输入特征矩阵，
- y 是目标变量，
- I 是单位矩阵，
- α 控制正则化强度。
相比普通最小二乘回归的解：
岭回归通过在 矩阵上加上
使其可逆，从而避免多重共线性问题。
4. α 值的选择（超参数调优）
通常，我们可以通过 交叉验证（Cross Validation） 选择最优 α 值：
方法 1：手动搜索
尝试多个 α 值，计算交叉验证误差（如 MSE），选择最优 α。
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import Ridge
from sklearn.model_selection import cross_val_score# 生成模拟数据
np.random.seed(42)
X = np.random.rand(100, 5)
y = X.dot(np.array([1.5, -2, 3, 0, 4])) + np.random.randn(100) * 0.5# 选择不同的 α 值
alpha_values = np.logspace(-4, 2, 50)
cv_scores = [np.mean(cross_val_score(Ridge(alpha=a), X, y, cv=5, scoring='neg_mean_squared_error'))for a in alpha_values]# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']# 画出 α 与误差的关系
plt.plot(alpha_values, -np.array(cv_scores), marker='o')
plt.xscale('log')
plt.xlabel("Alpha")
plt.ylabel("Negative MSE")
plt.title("选择最佳 Alpha")
plt.show()
方法 2：使用 GridSearchCV 自动搜索
import numpy as np
from sklearn.linear_model import Ridge
from sklearn.model_selection import GridSearchCV# 生成模拟数据
np.random.seed(42)
X = np.random.rand(100, 5)
y = X.dot(np.array([1.5, -2, 3, 0, 4])) + np.random.randn(100) * 0.5ridge = Ridge()
param_grid = {'alpha': np.logspace(-4, 2, 50)}
grid = GridSearchCV(ridge, param_grid, cv=5, scoring='neg_mean_squared_error')
grid.fit(X, y)print("最佳 Alpha 值:", grid.best_params_['alpha'])
运行结果
最佳 Alpha 值: 0.0281176869797423075. α 值与 Lasso 的对比
- 岭回归（Ridge） 采用 L2 正则化，会使系数变小但不会变成 0（适合高维但重要特征较多的情况）。
- Lasso 回归（Lasso） 采用 L1 正则化，可以使某些系数完全变为 0，从而实现特征选择。
