机器学习实战之用 Scikit-Learn 正则化方法解决过拟合详解_sklearn正则化

---

 

你是不是在模型训练中遇到过这样的问题：在训练集上表现得极好，但在测试集上效果不佳？这就是过拟合的问题。

过拟合是模型在训练过程中学到了数据的“噪声”而非规律，导致在未知数据上表现不佳。那么怎么解决这个问题呢？今天我们就来聊聊 Scikit-Learn 的正则化方法吧！

小提示: 如果你还没有接触过 Scikit-Learn，可以先了解一下这个强大的 Python 机器学习库。本文会带你领略它的神奇之处！

---

一、正则化：是什么？为什么？

1.1 正则化的定义

正则化（Regularization）是一种降低模型复杂度的方法，通过给损失函数（Loss Function）加上一个惩罚项（Penalty Term），使得模型在拟合数据的同时避免过度复杂。

1.2 为什么需要正则化？

想象一下，你正在参加一个猜谜游戏。你猜了一个谜题，获得了一点提示。然后你开始构思一个解决方案，但太过复杂，包含了许多不必要的细节。这时，你可能需要简化你的思路，才能找到真正的答案。就像这个游戏一样，当我们的模型过于复杂时，可能会导致过拟合。而正则化就是我们的“简化”大师！

二、Scikit-Learn 的正则化方法

Scikit-Learn 提供了多种正则化方法，如 L1 正则化、L2 正则化和 Elastic Net。在这里，我们会分别介绍这三种方法，并给出实际应用示例。

2.1 L1 正则化

L1 正则化通过在损失函数中添加 L1 范数来实现，公式如下：

Loss_with_L1 = Loss + λ * L1_Norm(Weights)

其中，L1_Norm 是权重的 L1 范数（权重的绝对值之和），λ 是正则化强度（一个超参数）。

L1 正则化的特点是能将一些权重参数压缩至0，从而实现特征选择（Feature Selection）。

示例：使用 Scikit-Learn 的 Lasso 回归实现 L1 正则化。

from sklearn.linear_model import Lasso
 
# 创建 Lasso 对象，设置正则化强度
lasso = Lasso(alpha=0.1)
 
# 训练模型
lasso.fit(X_train, y_train)
 
# 预测
y_pred = lasso.predict(X_test)

2.2 L2 正则化

L2 正则化通过在损失函数中添加 L2 范数来实现，公式如下：

Loss_with_L2 = Loss + λ * L2_Norm(Weights)

其中，L2_Norm 是权重的 L2 范数（权重的平方和的平方根），λ 是正则化强度（一个超参数）。

L2 正则化的特点是能够减小权重的值，但不会将其压缩至0。

示例：使用 Scikit-Learn 的 Ridge 回归实现 L2 正则化。

from sklearn.linear_model import Ridge
 
# 创建 Ridge对象，设置正则化强度
ridge = Ridge(alpha=0.1)
 
# 训练模型
ridge.fit(X_train, y_train)
 
# 预测
y_pred = ridge.predict(X_test)

2.3 Elastic Net

Elastic Net 是 L1 正则化和 L2 正则化的组合，可以通过调整两者的权重来平衡特征选择与权重减小。公式如下：

Loss_with_ElasticNet = Loss + λ1 * L1_Norm(Weights) + λ2 * L2_Norm(Weights)

其中，λ1 和 λ2 分别是 L1 正则化和 L2 正则化的强度。

示例：使用 Scikit-Learn 的 ElasticNet 回归实现 Elastic Net。

from sklearn.linear_model import ElasticNet
 
# 创建 ElasticNet 对象，设置正则化强度
elastic_net = ElasticNet(alpha=0.1, l1_ratio=0.5)
 
# 训练模型
elastic_net.fit(X_train, y_train)
 
# 预测
y_pred = elastic_net.predict(X_test)

三、实战：用 Scikit-Learn 正则化方法解决过拟合

接下来，让我们通过一个实际例子来看看如何使用 Scikit-Learn 的正则化方法解决过拟合问题。

假设我们要预测一辆汽车的价格，给定了一些特征，如车龄、行驶里程、燃油类型等。我们将使用一个包含这些特征的数据集来训练一个回归模型。

3.1 数据准备

首先，我们需要加载数据并分割成训练集和测试集。

import pandas as pd
from sklearn.model_selection import train_test_split
 
# 加载数据
data = pd.read_csv("car_data.csv")
 
# 分割特征和目标变量
X = data.drop("price", axis=1)
y = data["price"]
 
# 分割训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

3.2 使用正则化方法训练模型

接下来，我们将分别使用 Lasso、Ridge 和 ElasticNet 三种正则化方法训练模型，并比较它们的性能。

from sklearn.metrics import mean_squared_error
 
# Lasso
lasso = Lasso(alpha=0.1)
lasso.fit(X_train, y_train)
y_pred_lasso = lasso.predict(X_test)
mse_lasso = mean_squared_error(y_test, y_pred_lasso)
 
# Ridge
ridge = Ridge(alpha=0.1)
ridge.fit(X_train, y_train)
y_pred_ridge = ridge.predict(X_test)
mse_ridge = mean_squared_error(y_test, y_pred_ridge)
 
# ElasticNet
elastic_net = ElasticNet(alpha=0.1, l1_ratio=0.5)
elastic_net.fit(X_train, y_train)
y_pred_elastic_net = elastic_net.predict(X_test)
mse_elastic_net = mean_squared_error(y_test, y_pred_elastic_net)
 
print("MSE of Lasso: ", mse_lasso)
print("MSE of Ridge: ", mse_ridge)
print("MSE of ElasticNet: ", mse_elastic_net)

3.3 结果分析

通过对比三种正则化方法的均方误差（MSE），我们可以了解到哪种方法在解决过拟合问题上表现得更好。例如，如果 ElasticNet 的 MSE 最低，说明它在平衡特征选择和权重减小方面做得更好。

四、技术总结

通过本文，我们了解了正则化的概念、原因以及 Scikit-Learn 提供的三种正则化方法。实际案例也展示了如何使用这些方法来解决过拟合问题。

但正则化并非万能，有时还需要结合其他方法，如交叉验证（Cross-Validation）或早停（Early Stopping）等…