回归预测模型：MATLAB岭回归和Lasso回归_matlab 的ridge回归

1. 岭回归和Lasso回归的基本原理

1.1 岭回归：

岭回归（Ridge Regression） 是一种用于共线性数据分析的技术。共线性指的是自变量之间存在高度相关关系。岭回归通过在损失函数中添加一个L2正则项（$\lambda {\sum }_{j=1}^n{\beta }_j^2$）来减小回归系数的大小，从而控制模型的复杂度和防止过拟合。这里的$\lambda$是正则化强度参数。

1.2 Lasso回归：

Lasso回归（Least Absolute Shrinkage and Selection Operator） 通过在损失函数中添加一个L1正则项（$\lambda {\sum }_{j=1}^n|{\beta }_j|$）来进行变量选择和复杂度调控。Lasso回归倾向于产生一些精确为零的系数，从而实现了变量的自动选择，有助于提高模型的解释能力。

2. MATLAB中岭回归和Lasso回归的实现

岭回归实现：

MATLAB使用ridge函数实现岭回归。此函数要求自变量矩阵进行中心化和标准化。

Lasso回归实现：

MATLAB通过lasso函数实现Lasso回归，提供了一个方便的接口来执行变量选择和正则化。

3. 实例分析

假设我们有一组数据，包括多个自变量（X1, X2, …, Xn）和一个因变量（Y），我们将使用岭回归和Lasso回归来建模，并比较结果。

3.1 岭回归分析代码

clc,clear
% 设置随机数种子以保证结果的可复现性
rng(0);

% 生成模拟数据
n_samples = 100;
n_features = 5;
X = randn(n_samples, n_features);
true_coeffs = [3.5; -2; 0; 4; -1]; % 真实系数
Y = X * true_coeffs + randn(n_samples, 1) * 1.5; % 添加噪声

% 继续进行岭回归分析
lambda = 0.1:0.1:10; % 设置一系列的正则化强度参数
ridgeCoeffs = ridge(Y, X, lambda, 0)

% 绘制岭回归系数随lambda变化的图
figure;
plot(lambda, ridgeCoeffs(2:end, :)); % 从第二行开始绘制，因为ridge函数的第一行是截距项
xlabel('Lambda');
ylabel('Coefficients');
title('Ridge Regression Coefficients vs. Lambda');
legend(arrayfun(@(n) sprintf('Coeff %d', n), 1:n_features, 'UniformOutput', false), 'Location', 'Best');
grid on;
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

3.2 Lasso回归分析代码

clc,clear
% 设置随机数种子以保证结果的可复现性
rng(0);

% 生成模拟数据
n_samples = 100;
n_features = 5;
X = randn(n_samples, n_features);
true_coeffs = [3.5; -2; 0; 4; -1]; % 真实系数
Y = X * true_coeffs + randn(n_samples, 1) * 1.5; % 添加噪声

% Lasso回归分析
[B, FitInfo] = lasso(X, Y, 'CV', 10); % 进行Lasso回归，并使用10折交叉验证

% 选取最佳Lambda值对应的系数
idxLambda1SE = FitInfo.Index1SE;
coef = B(:, idxLambda1SE);%最佳Lambda值对应的系数
coef0 = FitInfo.Intercept(idxLambda1SE);%最佳Lambda值对应的截距项
disp('最佳Lambda值对应的系数:')
disp(coef)
disp('最佳Lambda值对应的截距项:')
disp(coef0)
lassoPlot(B, FitInfo, 'PlotType', 'Lambda', 'XScale', 'log');%绘制系数路径
lassoPlot(B, FitInfo, 'PlotType', 'CV');%绘制交叉验证误差
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

4. 求解结果

4.1 岭回归：

绘制每个系数随$\lambda$变化的图:

4.2 Lasso回归:

5. 结果解释和应用

• 岭回归：通过调整$\lambda$值，可以观察不同正则化强度对模型系数的影响。较大的$\lambda$值会使系数更小，有助于减少过拟合。
• Lasso回归：Lasso回归结果可以帮助我们识别哪些变量对预测最重要，因为不重要的变量系数会被压缩到0。

6. 结论

岭回归和Lasso回归都是处理高维数据和防止过拟合的有效方法。岭回归通过L2正则化减小系数值，而Lasso回归既可以通过L1正则化减小系数值，又可以实现变量选择。在实际应用中，选择哪一种方法取决于具体问题和数据集的特点。