原文：http:///?p=4103本文向您展示如何在R中使用glmnet包进行岭回归（使用L2正则化的线性回归），并使用模拟来演示其相对于普通最小二乘回归的优势。 岭回归当回归模型学习参数时，岭回归使用L2正则化来加权/惩罚残差。在线性回归的背景下，它可以与普通最小二乘法（OLS）进行比较。OLS定义了计算参数估计值（截距和斜率）的函数。它涉及最小化平方残差的总和。L2正则化是OLS函数的一个小增加，以特定的方式对残差进行加权以使参数更加稳定。结果通常是一种适合训练数据的模型，不如OLS更好，但由于它对数据中的极端变异（例如异常值）较不敏感，所以一般性更好。 软件包我们将在这篇文章中使用以下软件包：
library(broom)library(glmnet)
glmnet的岭回归glmnet软件包提供了通过岭回归的函数glmnet()。 它不需要公式和数据框，而需要一个矢量输入和预测矩阵。 你必须指定alpha = 0岭回归。 岭回归涉及调整超参数lambda。glmnet()会为你生成默认值。另外，通常的做法是用lambda参数来定义。因为，与OLS回归不同，岭回归涉及调整超参数，lambda，glmnet()为不同的lambda值多次运行模型。 我们可以自动找到最适合的lambda值，cv.glmnet() 使用交叉验证来计算每个模型的误差，cv.glmnet()如下所示： cv_fit <- cv.glmnet(x, y, alpha =0, lambda = lambdas)以下是使用mtcars数据集的示例： plot(cv_fit)  曲线中的最低点指示最佳的lambda：使交叉验证中的误差最小化的lambda的对数值。我们可以将这个值提取为：
opt_lambda <- cv_fit$lambda.minopt_lambda#
> [1] 3.162278
我们可以通过以下方式提取所有拟合的模型：
summary(fit)#> Length Class Mode
#> a0 51 -none- numeric
#> beta 153 dgCMatrix S4
#> df 51 -none- numeric
#> dim 2 -none- numeric
#> lambda 51 -none- numeric
#> dev.ratio 51 -none- numeric
#> nulldev 1 -none- numeric
#> npasses 1 -none- numeric
#> jerr 1 -none- numeric
#> offset 1 -none- logical
#> call 5 -none- call
#> nobs 1 -none- numeric
预测值并计算我们训练的数据的R 2值：
# 平方和总误差
sst <- sum((y - mean(y))^2)sse <- sum((y_predicted - y)^2)# R方
rsq <-1- sse / sstrsq
#> [1] 0.9318896
最优模型已经在训练数据中占93％的方差。
Ridge 和 OLS模拟通过产生比OLS更稳定的参数，岭回归不容易过度拟合训练数据。因此，岭回归可能预测训练数据不如OLS好，但更好地推广到新数据。当训练数据变化极端大时尤其如此，当样本大小较低和/或特征的数量相对于观察次数较多时会发生。 下面是我创建的一个模拟实验，用于比较岭回归和OLS在训练和测试数据上的预测准确性。 我首先运行模拟： 针对不同数量的训练数据和特征的比例运行模拟：
d <- cross_d(list(n_train = seq(20,200,20),p_features = seq(.55,.95,.05
d <- d %>%mutate(results = map2(n_train, p_features,
可视化结果
对于不同数量的训练数据（对多个特征进行平均），两种模型对训练和测试数据的预测效果如何？ 
根据假设，OLS更适合训练数据，但Ridge回归更好地预测新的测试数据。此外，当训练观察次数较少时，这些影响更为明显。 对于不同的相对特征比例（平均数量的训练数据），两种模型对训练和测试数据的预测效果如何？ 
OLS在训练数据上表现稍好，但Ridge在测试数据上更好。当特征的数量相对于训练观察的数量相对较高时，效果更显着。 下面的图有助于将Ridge对OLS的相对优势（或劣势）可视化为观察值和特征的数量： 
这显示了综合效应：当训练观察数量较低和/或特征数目相对于训练观察数目较高时，Ridge回归更好地预测测试数据。OLS在类似条件下的训练数据上表现略好，表明它比使用Ridge正则化时更容易过拟合数据。
|
