Regularizovaná regrese

Supervised Learning with scikit-learn

George Boorman

Core Curriculum Manager, DataCamp

Proč regularizovat?

  • Připomenutí: Lineární regrese minimalizuje ztrátovou funkci

  • Pro každou příznakovou proměnnou volí koeficient $a$ a hodnotu $b$

  • Velké koeficienty mohou vést k přeučení

  • Regularizace: Penalizace velkých koeficientů

Supervised Learning with scikit-learn

Ridge regrese

  • Ztrátová funkce = ztrátová funkce OLS + $$ \alpha * \sum_{i=1}^{n} {a_i}^2$$

  • Ridge penalizuje velké kladné i záporné koeficienty

  • $\alpha$: parametr, který je třeba zvolit

  • Volba $\alpha$ je podobná volbě k v KNN

  • Hyperparametr: proměnná sloužící k optimalizaci parametrů modelu

  • $\alpha$ řídí složitost modelu

    • $\alpha$ = 0 = OLS (může vést k přeučení)

    • Velmi vysoké $\alpha$: může vést k nedoučení

Supervised Learning with scikit-learn

Ridge regrese v scikit-learn

from sklearn.linear_model import Ridge

scores = []
for alpha in [0.1, 1.0, 10.0, 100.0, 1000.0]:

    ridge = Ridge(alpha=alpha)

    ridge.fit(X_train, y_train)
    y_pred = ridge.predict(X_test)

    scores.append(ridge.score(X_test, y_test))

print(scores)

[0.2828466623222221, 0.28320633574804777, 0.2853000732200006, 
 0.26423984812668133, 0.19292424694100963]
Supervised Learning with scikit-learn

Lasso regrese

  • Ztrátová funkce = ztrátová funkce OLS + $$ \alpha * \sum_{i=1}^{n} |a_i|$$
Supervised Learning with scikit-learn

Lasso regrese v scikit-learn

from sklearn.linear_model import Lasso

scores = []
for alpha in [0.01, 1.0, 10.0, 20.0, 50.0]:
  lasso = Lasso(alpha=alpha)
  lasso.fit(X_train, y_train)
  lasso_pred = lasso.predict(X_test)
  scores.append(lasso.score(X_test, y_test))
print(scores)

[0.99991649071123, 0.99961700284223, 0.93882227671069, 0.74855318676232, -0.05741034640016]
Supervised Learning with scikit-learn

Lasso regrese pro výběr příznaků

  • Lasso dokáže vybrat důležité příznaky datové sady

  • Koeficienty méně důležitých příznaků stlačí na nulu

  • Příznaky, které nejsou stlačeny na nulu, jsou vybrány metodou lasso

Supervised Learning with scikit-learn

Lasso pro výběr příznaků v scikit-learn

from sklearn.linear_model import Lasso

X = diabetes_df.drop("glucose", axis=1).values
y = diabetes_df["glucose"].values
names = diabetes_df.drop("glucose", axis=1).columns

lasso = Lasso(alpha=0.1)

lasso_coef = lasso.fit(X, y).coef_

plt.bar(names, lasso_coef)
plt.xticks(rotation=45)
plt.show()
Supervised Learning with scikit-learn

Lasso pro výběr příznaků v scikit-learn

sloupcový graf koeficientů pro každý příznak; všechny jsou blízko nuly s výjimkou diabetes s hodnotou 25

Supervised Learning with scikit-learn

Pojďme cvičit!

Supervised Learning with scikit-learn

Preparing Video For Download...