- 1、本文档共61页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
回归分析
——方法、数据与R的应用
刘超
statchao@buaa.edu.cn
北京航空航天大学数学科学学院
2020年1月20 日
课件仅供教学使用
刘 超 ,回归分析——方法、
数据与R的应用,高等教育
出版社,2019年10月
第8章 收缩方法
上课之前的话
更多的自变量应该意味着更多信息,但成本也高
若只有少数自变量有影响, 可以节省获取数据的成本
通过对回归系数进行收缩,在尽量保留自变量的基础上
获得好的模型
本章将介绍以下几种方法
• 岭回归
• Lasso
• 自适应Lasso
• 主成分回归
• 偏最小二乘回归
目的与要求
(1)了解为什么要进行收缩估计
(2)理解模型收缩方法实质上是模型选择方法
(3)掌握几种典型的模型收缩方法
(4)掌握模型收缩方法在R软件中的实现
8.1 岭回归
8.1 岭回归
岭回归(ridge regression)由Hoerl和Kennard于1970年提出
,是一种有偏估计,是对最小二乘估计的改进,也是惩罚回
归的一种
假设自变量已经标准化,因变量已经中心化。通过添加系
T −1 T
ˆ
数的L 惩罚项= ( X X 来修正残差平方和
2 +I ) X y
T 2
(y -Xβ) (y -Xβ)+λ∑ , 其中λ(≥0)为岭参数
=1
对修正的残差平方和最小化获得β的岭回归估计:
T −1 T
ˆ
= ( X X +I ) X y
T
λI在矩阵X X 里面引入一个 “岭”,因此该方法取名岭回归
8.1 岭回归
该方法的一个等价表达式是选择β来最小化:
T 2
(y -Xβ) (y -Xβ) st ∑ ≤t
=1
መ መ
显然,λ 0对应于最小二乘估计 ,而λ→∞时, →0
文档评论(0)