我正在努力理解以下内容:
Scikit-learn为Ridge Regression提供了一个多输出版本,只需移交一个2D数组[n_samples,n_targets],但它是如何实现的?
http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.Ridge.html
假设每个目标的每个回归都是独立的,这是正确的吗?在这些情况下,我如何调整它以使用每个回归的单个alpha正则化参数?如果我使用GridSeachCV,我将不得不移交一个可能的正则化参数矩阵,或者它将如何工作?
在此先感谢 - 我一直在寻找几个小时,但在这个主题上找不到任何东西 .
1 回答
我会对此进行一次拍摄,因为我已经为自己的工作调查了一下 . 我会将问题细分为部分,这样您只能查看您感兴趣的部分:
Q1:多输出岭回归中每个目标(又名输出)的回归是否独立?
A1:我认为M输出的典型多输出线性回归与M独立单输出线性回归相同 . 我认为是这种情况,因为多输出情况的普通最小二乘的表达式与M个独立的单输出情况的(总和)的表达式相同 . 为了激发这一点,让我们考虑一个没有正规化的愚蠢的双变量输出案例 .
让我们考虑两个列向量输入 x 1和 x 2,以及相应的权向量 w 1和 w 2 .
这些给出了两个单变量输出y1 = x 1 w 1T e1和y2 = x 2 w 2T e2,其中e s是独立误差 .
平方错误的总和写成:
e12 e22 =(y1 - x 1 w 1T)2(y2 - x 2 w 2T)2
我们可以看到,这只是两个独立回归的平方误差的总和 . 现在,为了优化我们在权重方面的差异并设置为零 . 由于y1不依赖于 w 2,反之亦然y2和 w 1,因此可以针对每个目标独立地执行优化 .
我在这里考虑了一个样本用于说明,但更多样本没有太多变化 . 你可以自己写出来 . 在表格中添加惩罚期限 w 1 |或者 w 2 |也不会改变这一点,因为对y2和 w 1仍然没有 w 2依赖于y1,反之亦然 .
好的,这就是那种能让你获得C-的证据(有一位慷慨的教授) . 只要这反映了sklearn,手动实现独立的回归和内置的多输出支持就会得到相同的结果 . 所以让我们用一些代码检查一下(我使用pyp.7与Jupyter):
我们需要的东西
设置数据
使用内置多输出支持的sklearn
使用独立运行优化输出
比较估计(未包括的图)
输出是(不包括这里的情节)
所以我们看到内置的sklearn估计与我们的手册相同 . 然而,内置的一个更快,因为它使用矩阵代数一次解决整个事物,而不是我在这里使用的循环(对于脊正则化的矩阵公式,请参阅Tikhonov正则化的维基) . 您可以通过取消注释上面的%% timeit魔法来自行检查)
Q2:我们如何为每个回归使用单独的alpha正则化参数?
A2:sklearn Ridge接受每个输出(目标)的不同正则化 . 例如,继续上面的代码,为每个输出使用不同的alpha:
如果将其与M个独立回归的手动实现进行比较,每个回归都有自己的alpha:
你得到相同的结果:
所以这些都是一样的 .
However ,在这种情况下,性能很大程度上取决于求解器(由@Vivek Kumar直觉) .
默认情况下,Ridge.fit()使用Cholesky分解(至少对于非稀疏数据),查看github上的代码(https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/ridge.py中的_solve_cholesky),我看到当为每个目标单独选择alpha时,sklearn实际上确实适合他们 . 我不是后者 .
但是,对于不同的求解器,例如基于SVD(_solve_svd()),代码似乎已经将不同的alpha合并到问题的矩阵公式中,所以整个东西只运行一次 . 这意味着当为每个输出单独选择alpha时,并且当有许多输出时,svd求解器可以快得多 .
问题3:我如何使用GridSeachCV?我是否交出了可能的正则化参数矩阵?
A3:我没有使用内置网格搜索,因为它不太适合我的问题 . 但是,通过上述说明,可以直接实现这一点;只需使用sklearn.model_selection.KFold()或类似内容获得一些CV折叠,然后使用不同的alpha训练每个折叠:
我匆匆写了这个,所以仔细检查一下 . 请注意,我们需要使用度量模块,因为内置的Ridge.score()平均所有目标,这是我们不想要的 . 通过使用multioutput ='raw_values'选项,我们保留每个目标的原始值 .
希望有所帮助!