知识卡片
岭回归收缩、lasso 稀疏
岭回归的惩罚是各系数平方和乘以 α(通常不罚常数项),其梯度为 2αβ,系数越大被拉回得越强,效果是整体收缩:本例把 α 从 0 加到 10,R 平方从 0.68 降到 0.55 附近,所有系数一起变小,其中“有博士学位”的系数趋近 0,正好与该系数 p 值不显著相印证。lasso 的惩罚是系数绝对值之和,倾向把系数直接压到 0,因此产出稀疏模型,服务“只留少数因素”的目标。代价是 lasso 的目标不适合梯度下降,书中无法从头实现。二者取舍可归结为要“缩小”还是要“筛掉”。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第15章 多元回归 · 查看原书依据
具体来说,随着惩罚项的增加,“博士学位”的系数会变为 0,这与我们之前的结果一致,即与 0 没有显著差异。
参考来源
- 位置:《数据科学入门(第2版)》第15章 多元回归(源文件:extracted/数据科学入门(第2版)/_epub-src/OEBPS/Text/0019.xhtml)
- 结论依据:原文这一段直接给出本卡的核心判断:「具体来说,随着惩罚项的增加,“博士学位”的系数会变为 0,这与我们之前的结果一致……」
- 原始内容:具体来说,随着惩罚项的增加,“博士学位”的系数会变为 0,这与我们之前的结果一致,即与 0 没有显著差异。