廣義線性模型2
嶺回歸和普通最小二乘法回歸的一個重要差別是前者對系數模的平方進行了限制。例如以下所看到的：
In [1]: from sklearn import linear_model In [2]: clf = linear_model.R linear_model.RandomizedLasso linear_model.RandomizedLogisticRegression linear_model.Ridge linear_model.RidgeCV linear_model.RidgeClassifier linear_model.RidgeClassifierCV In [2]: clf = linear_model.Ridge(alpha = .5) In [3]: clf.fit([[0, 0], [0, 0], [1, 1]], [0, .1, 1]) Out[3]: Ridge(alpha=0.5, copy_X=True, fit_intercept=True, max_iter=None, normalize=False, solver=‘auto‘, tol=0.001) In [4]: clf.coef_ Out[4]: array([ 0.34545455, 0.34545455]) In [5]: clf.intercept_ Out[5]: 0.13636363636363641
（1）sklearn.linear_model.Ridge類構造方法
class sklearn.linear_model.Ridge(alpha=1.0, fit_intercept=True, normalize=False, copy_X=True, max_iter=None,
tol=0.001, solver=‘auto‘)
（2）sklearn.linear_model.Ridge類實例的屬性和方法
嶺回歸分析是一種專用於共線性數據分析的有偏預計回歸方法，實質上是一種改良的最小二乘預計法，通過放棄最小
二乘法的無偏性。以損失部分信息、減少精度為代價獲得回歸系數更為符合實際、更可靠的回歸方法，對病態數據的
耐受性遠遠強於最小二乘法。
嶺回歸分析主要解決兩類問題：數據點少於變量個數；變量間存在共線性。
Examples: Plot Ridge coefficients as a function of the regularization
print(__doc__)
import numpy as np
import pylab as pl
from sklearn import linear_model
# X is the 10x10 Hilbert matrix
X = 1. / (np.arange(1, 11) + np.arange(0, 10)[:, np.newaxis])
y = np.ones(10)
###############################################################################
# Compute paths
n_alphas = 200
alphas = np.logspace(-10, -2, n_alphas)
clf = linear_model.Ridge(fit_intercept=False)
coefs = []
for a in alphas:
clf.set_params(alpha=a)
clf.fit(X, y)
coefs.append(clf.coef_)
###############################################################################
# Display results
ax = pl.gca()
ax.set_color_cycle([‘b‘, ‘r‘, ‘g‘, ‘c‘, ‘k‘, ‘y‘, ‘m‘])
ax.plot(alphas, coefs)
ax.set_xscale(‘log‘)
ax.set_xlim(ax.get_xlim()[::-1]) # reverse axis
pl.xlabel(‘alpha‘)
pl.ylabel(‘weights‘)
pl.title(‘Ridge coefficients as a function of the regularization‘)
pl.axis(‘tight‘)
pl.show()
解析：
（1）希爾伯特矩陣
在線性代數中，希爾伯特矩陣是一種系數都是單位分數的方塊矩陣。詳細來說一個希爾伯特矩陣H的第i橫行第j縱列的
系數是：
舉例來說。
的希爾伯特矩陣就是：
希爾伯特矩陣的系數也能夠看作是下面積分：
也就是當向量是關於變量x 的各階冪時關於積分範數
的格拉姆矩陣。
希爾伯特矩陣是低條件矩陣的典型樣例。
與希爾伯特矩陣的數值計算是十分困難的。
舉例來說，當範數為
矩陣範數
時希爾伯特矩陣的條件數大約是
，遠大於1。
（2）np.arange()方法
In [31]: 1. / (np.arange(1, 11))
Out[31]:
array([ 1. , 0.5 , 0.33333333, 0.25 , 0.2 ,
0.16666667, 0.14285714, 0.125 , 0.11111111, 0.1 ])
In [32]: (1. / (np.arange(1, 11))).shape
Out[32]: (10,)
（3）np.newaxis屬性
In [5]: np.arange(0, 10)
Out[5]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
In [6]: type(np.arange(0, 10))
Out[6]: numpy.ndarray
In [7]: np.arange(0, 10).shape
Out[7]: (10,)
In [8]: np.arange(0, 10)[:, np.newaxis]
Out[8]:
array([[0],
[1],
[2],
[3],
[4],
[5],
[6],
[7],
[8],
[9]])
In [9]: np.arange(0, 10)[:, np.newaxis].shape
Out[9]: (10, 1)（4）廣播原理In [25]: x = np.arange(0, 5)
In [26]: x[:, np.newaxis]
Out[26]:
array([[0],
[1],
[2],
[3],
[4]])
In [27]: x[np.newaxis, :]
Out[27]: array([[0, 1, 2, 3, 4]])
In [28]: x[:, np.newaxis] + x[np.newaxis, :]
Out[28]:
array([[0, 1, 2, 3, 4],
[1, 2, 3, 4, 5],
[2, 3, 4, 5, 6],
[3, 4, 5, 6, 7],
[4, 5, 6, 7, 8]])（5）10階希爾伯特矩陣XIn [33]: X = 1. / (np.arange(1, 11) + np.arange(0, 10)[:, np.newaxis])
In [34]: X
Out[34]:
array([[ 1. , 0.5 , 0.33333333, 0.25 , 0.2 ,
0.16666667, 0.14285714, 0.125 , 0.11111111, 0.1 ],
[ 0.5 , 0.33333333, 0.25 , 0.2 , 0.16666667,
0.14285714, 0.125 , 0.11111111, 0.1 , 0.09090909],
[ 0.33333333, 0.25 , 0.2 , 0.16666667, 0.14285714,
0.125 , 0.11111111, 0.1 , 0.09090909, 0.08333333],
[ 0.25 , 0.2 , 0.16666667, 0.14285714, 0.125 ,
0.11111111, 0.1 , 0.09090909, 0.08333333, 0.07692308],
[ 0.2 , 0.16666667, 0.14285714, 0.125 , 0.11111111,
0.1 , 0.09090909, 0.08333333, 0.07692308, 0.07142857],
[ 0.16666667, 0.14285714, 0.125 , 0.11111111, 0.1 ,
0.09090909, 0.08333333, 0.07692308, 0.07142857, 0.06666667],
[ 0.14285714, 0.125 , 0.11111111, 0.1 , 0.09090909,
0.08333333, 0.07692308, 0.07142857, 0.06666667, 0.0625 ],
[ 0.125 , 0.11111111, 0.1 , 0.09090909, 0.08333333,
0.07692308, 0.07142857, 0.06666667, 0.0625 , 0.05882353],
[ 0.11111111, 0.1 , 0.09090909, 0.08333333, 0.07692308,
0.07142857, 0.06666667, 0.0625 , 0.05882353, 0.05555556],
[ 0.1 , 0.09090909, 0.08333333, 0.07692308, 0.07142857,
0.06666667, 0.0625 , 0.05882353, 0.05555556, 0.05263158]])
（6）np.ones()方法
In [35]: y = np.ones(10) In [36]: y Out[36]: array([ 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.]) In [37]: y.shape Out[37]: (10,)
（7）numpy.logspace()方法
numpy.logspace(start, stop, num=50, endpoint=True, base=10.0)
說明：Return numbers spaced evenly on a log scale. In linear space, the sequence starts at base ** start (base to
the power of start) and ends with base ** stop (see endpoint below).
In [38]: n_alphas = 200
In [39]: alphas = np.logspace(-10, -2, n_alphas)
In [40]: alphas
Out[40]:
array([ 1.00000000e-10, 1.09698580e-10, 1.20337784e-10,
1.32008840e-10, 1.44811823e-10, 1.58856513e-10,
1.74263339e-10, 1.91164408e-10, 2.09704640e-10,
...,
5.23109931e-03, 5.73844165e-03, 6.29498899e-03,
6.90551352e-03, 7.57525026e-03, 8.30994195e-03,
9.11588830e-03, 1.00000000e-02])
In [41]: alphas.shape
Out[41]: (200,)
In [42]: 1.00000000e-10
Out[42]: 1e-10（8）set_params(**params)方法
（9）matplotlib.pyplot.gca(**kwargs)方法
Return the current axis instance. This can be used to control axis properties either using set or the Axes methods,
for example, setting the x axis range.
參考文獻：
[1] 嶺回歸: http://baike.baidu.com/link?
url=S1DwT9XFOthlB5hjGP6Ramxt-fvtCJ-RUXYVSw-z9t7-hZIojL7eroUQwKaJd5KE9-jVEQeRtxZeuUz59SBE6q
[2] 正則化、歸一化含義解析: http://sobuhu.com/ml/2012/12/29/normalization-regularization.html
[3] 希爾伯特矩陣: http://zh.wikipedia.org/zh-cn/%E5%B8%8C%E5%B0%94%E4%BC%AF%E7%89%B9%E7%9F%A9%E9%98%B5
[4] 嶺回歸分析總結: http://download.csdn.net/detail/shengshengwang/7225251
廣義線性模型2