Taiki Sato

リッジ回帰

#機械学習 #数学

線形回帰で最小化する目的関数に、パラメータの大きさの項（正則化項）を足したものを最小化する回帰がリッジ回帰である。

  • 目的関数 : E(w)=∥y−X~w∥2+λ∥w∥2E(w) = \|\mathbf{y} - \tilde{X} w\|^2 + \lambda \|w\|^2

であり、∇E=0\nabla E = 0 より

  • ∇E=2X~TX~w−2X~Ty+2λw=2[(X~TX~+λI)w−X~Ty]=0\nabla E = 2 \tilde{X}^T \tilde{X} w - 2 \tilde{X}^T \mathbf{y} + 2 \lambda w = 2 \left[ (\tilde{X}^T \tilde{X} + \lambda I)w - \tilde{X}^T \mathbf{y} \right] = 0
  • よって w=(X~TX~+λI)−1X~Tyw = (\tilde{X}^T \tilde{X} + \lambda I)^{-1} \tilde{X}^T \mathbf{y}

が得られる。

リッジ回帰を実装する

import numpy as np
from scipy import linalg

class RidgeRegression:
    def __init__(self, lambda_=1.):
        self.lambda_ = lambda_
        self.w_ = None

    def fit(self, X, t):
        Xtil = np.c_[np.ones(X.shape[0]), X]
        c = np.eye(Xtil.shape[1])
        A = np.dot(Xtil.T, Xtil) + self.lambda_ * c
        b = np.dot(Xtil.T, t)
        self.w_ = linalg.solve(A, b)

    def predict(self, X):
        if X.ndim == 1:
            X = X.reshape(1, -1)
        Xtil = np.c_[np.ones(X.shape[0]), X]
        return np.dot(Xtil, self.w_)

線形回帰との比較

import numpy as np
from scipy import linalg


class LinearRegression:
    def __init__(self):
        self.w_ = None

    def fit(self, X, t):
        Xtil = np.c_[np.ones(X.shape[0]), X]
        A = np.dot(Xtil.T, Xtil)
        b = np.dot(Xtil.T, t)
        self.w_ = linalg.solve(A, b)

    def predict(self, X):
        if X.ndim == 1:
            X = X.reshape(1, -1)
        Xtil = np.c_[np.ones(X.shape[0]), X]
        return np.dot(Xtil, self.w_)

使用例

1変数の例

import numpy as np
import matplotlib.pyplot as plt

plt.rcParams["figure.figsize"] = (10, 8)

x = np.array([1, 2, 4, 6, 7])
y = np.array([1, 3, 3, 5, 4])
model = RidgeRegression(1.)
model.fit(x, y)
b, a = model.w_

plt.scatter(x, y, color="k")
xmax = x.max()
plt.plot([0, xmax], [b, b+a*xmax], color="k")
plt.show()

2変数（平面へのあてはめ）の例

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import axes3d

plt.rcParams["figure.figsize"] = (10, 8)

n = 100
scale = 10

np.random.seed(0)
X = np.random.random((n, 2)) * scale
w0 = 1
w1 = 2
w2 = 3
y = w0 + w1 * X[:, 0] + w2 * X[:, 1] + np.random.randn(n)

model = RidgeRegression(1.)
model.fit(X, y)

xmesh, ymesh = np.meshgrid(np.linspace(0, scale, 20), np.linspace(0, scale, 20))
zmesh = (model.w_[0] + model.w_[1] * xmesh.ravel() + model.w_[2] * ymesh.ravel()).reshape(xmesh.shape)
fig = plt.figure()
ax = fig.add_subplot(111, projection="3d")
ax.scatter(X[:, 0], X[:, 1], y, color="k")
ax.plot_wireframe(xmesh, ymesh, zmesh, color="r")
plt.show()

線形回帰との比較

サンプル数を変えながら、線形回帰とリッジ回帰のあてはめを並べて比較する。

import numpy as np
import matplotlib.pyplot as plt

# 普通の線形回帰との比較
x = np.arange(12)
y = 1 + 2 * x
y[2] = 20
y[4] = 0

xmin = 0
xmax = 12
ymin = -1
ymax = 25
fig, axes = plt.subplots(nrows=2, ncols=5)

for i in range(5):
    axes[0, i].set_xlim([xmin, xmax])
    axes[0, i].set_ylim([ymin, ymax])
    axes[1, i].set_xlim([xmin, xmax])
    axes[1, i].set_ylim([ymin, ymax])
    xx = x[:2 + i * 2]
    yy = y[:2 + i * 2]
    axes[0, i].scatter(xx, yy, color="k")
    axes[1, i].scatter(xx, yy, color="k")

    model = LinearRegression()
    model.fit(xx, yy)
    xs = [xmin, xmax]
    ys = [model.w_[0] + model.w_[1] * xmin, model.w_[0] + model.w_[1] * xmax]
    axes[0, i].plot(xs, ys, color="k")

    model = RidgeRegression(10.)
    model.fit(xx, yy)
    xs = [xmin, xmax]
    ys = [model.w_[0] + model.w_[1] * xmin, model.w_[0] + model.w_[1] * xmax]
    axes[1, i].plot(xs, ys, color="k")

plt.show()

上が線形回帰、下がリッジ回帰。リッジ回帰はサンプル数が少ないときに、例外的なデータ（外れ値）からの影響を受けにくいという性質がある。

145 pages