本站原创文章，转载请说明来自《老饼讲解-机器学习》www.bbbdata.com
岭回归属于线性回归模型的改进，它在线性回归的MSE损失函数中加入了L2正则项
本文展示岭回归的模型公式与损失函数，以及它的求解公式的详细推导过程
通过本文，可以了解岭回归模型是什么，它与线性回归的区别，以及模型的求解公式
本节介绍岭回归模型是什么，包括它的表达式与损失函数
岭回归-模型介绍
岭回归模型(Ridge Regression)是线性回归的一种改进，主要是线性回归求得的系数可能会过大
因此，岭回归在线性回归模型的MSE损失函数中加入二范正则项，以惩罚过大的系数
岭回归的模型表达式
岭回归模型表达式的矩阵形式如下：
岭回归的损失函数
岭回归损失函数的矩阵形式如下：
其中 是正则项的惩罚系数，代表参数W的惩罚力度
值得注意的是，原始的岭回归模型是没有阈值的，这是因为阈值b并不需要惩罚
岭回归-如何拓展阈值
岭回归可采用数据中心化的方法，来拓展为带阈值的线性模型
它先将数中心移到原点，此时，中心化后的数据适用于无阈值模型
即可先算出中心化数据的无阈值岭回归模型的W，再反推出未中心化时的数据的阈值b
具体如下：
1. 先将数据作中心化转换：
此时， 都是以(0,0)为中心的数据
2. 用训练岭回归模型, 得到
3. 训练后再计算阈值b:
即可得到
公式推导详细可参考：《线性模型的样本中心化》
本节展示岭回归模型的求解公式和推导过程
岭回归模型求解公式
岭回归模型求解公式
岭回归的模型求解公式如下：
它与线性回归的求解公式相似，只是部分需要在对角元素上加上
岭回归求解公式推导过程
只要令岭回归的损失函数L对W的各个偏导数为0，然后对其求解就可求得令L最小化的W
岭回归求解公式推导过程如下:
一、L(W) 对 W求导
二、令导为0 ，即可解得 W
关于sklearn岭回归求解的核心源码
我们不妨看下sklearn中岭回归求解的核心实现代码：
从源码可以看到，W的求解就是计算公式
好了，以上就是岭回归模型的基本原理与求解方法了~
End