弹性网络回归（Elastic Net Regression）的详细理论知识推导
理论背景
弹性网络回归结合了岭回归（Ridge Regression）和Lasso回归（Lasso Regression）的优点，通过引入两个正则化参数来实现特征选择和模型稳定性。它解决了Lasso在处理高相关特征时的缺陷，并且在处理高维数据时表现优异。
数学公式
Elastic Net回归的损失函数如下：
其中：
推导
目标函数：Elastic Net的目标函数是均方误差（MSE）和两个正则化项的加权和。
梯度下降：通过梯度下降法求解目标函数的最小值，更新回归系数。
特征选择：L1正则化项可以将一些回归系数缩小为零，从而实现特征选择。
模型稳定性：L2正则化项增加了模型的稳定性，减少过拟合。
实施步骤
数据预处理：标准化或归一化数据。
拆分数据集：将数据集拆分为训练集和测试集。
模型训练：使用Elastic Net回归模型进行训练。
模型评估：使用测试集评估模型性能。
参数解读
未优化模型实例
python
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import ElasticNet
from sklearn.metrics import mean_squared_error, r2_score
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
# 生成示例数据
np.random.seed(0)
X = 2 * np.random.rand(100, 1)
y = 4 + 3 * X + np.random.randn(100, 1) * 0.5
# 数据分割为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 数据标准化
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)
# 转换 y_train 和 y_test 为一维数组
y_train = y_train.ravel()
y_test = y_test.ravel()
# 创建Elastic Net回归模型
elastic_net = ElasticNet(alpha=1.0, l1_ratio=0.5)
elastic_net.fit(X_train_scaled, y_train)
# 进行预测
y_pred = elastic_net.predict(X_test_scaled)
# 模型评估
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)
print(f"Mean Squared Error: {mse}")
print(f"R^2 Score: {r2}")
print(f"Intercept: {elastic_net.intercept_}")
print(f"Coefficients: {elastic_net.coef_}")
# 可视化结果
plt.scatter(X_test, y_test, color='blue', label='Actual')
plt.plot(X_test, y_pred, color='red', label='Predicted')
plt.xlabel("X")
plt.ylabel("y")
plt.title("Elastic Net Regression")
plt.legend()
plt.show()可视化展示
结果解释
Mean Squared Error (MSE): 表示预测值与实际值之间的平均平方误差。值越小，模型性能越好。
R^2 Score: 决定系数，度量模型的拟合优度。值越接近1，模型解释力越强。
Intercept: 截距，表示回归方程在y轴上的截距。
Coefficients: 回归系数，表示自变量对因变量的影响。
优化后的模型实例
python
from sklearn.linear_model import ElasticNetCV
# 创建带交叉验证的Elastic Net回归模型
elastic_net_cv = ElasticNetCV(alphas=np.logspace(-6, 6, 13), l1_ratio=np.linspace(0.1, 1.0, 10), cv=5)
elastic_net_cv.fit(X_train_scaled, y_train)
# 进行预测
y_pred_cv = elastic_net_cv.predict(X_test_scaled)
# 模型评估
mse_cv = mean_squared_error(y_test, y_pred_cv)
r2_cv = r2_score(y_test, y_pred_cv)
print(f"Best Alpha: {elastic_net_cv.alpha_}")
print(f"Best L1 Ratio: {elastic_net_cv.l1_ratio_}")
print(f"Mean Squared Error (CV): {mse_cv}")
print(f"R^2 Score (CV): {r2_cv}")
print(f"Intercept (CV): {elastic_net_cv.intercept_}")
print(f"Coefficients (CV): {elastic_net_cv.coef_}")
# 可视化结果
plt.scatter(X_test, y_test, color='blue', label='Actual')
plt.plot(X_test, y_pred_cv, color='red', label='Predicted')
plt.xlabel("X")
plt.ylabel("y")
plt.title("Elastic Net Regression with Cross-Validation")
plt.legend()
plt.show()可视化展示
结果解释
- Best Alpha: 通过交叉验证选择的最佳正则化参数。
- Best L1 Ratio: 通过交叉验证选择的最佳L1正则化比例。
- Mean Squared Error (CV): 交叉验证后的均方误差。
- R^2 Score (CV): 交叉验证后的决定系数。
- Intercept (CV): 交叉验证后的截距。
- Coefficients (CV): 交叉验证后的回归系数。
通过比较两个实例，可以看出优化后的模型通过交叉验证选择了最佳的正则化参数，从而提高了模型的预测性能和泛化能力。