逻辑回归正则化

逻辑回归正则化在处理具有多个特征且特征可能共线性（即特征之间高度相关）的数据集特别有用。

下面用一个例子说明什么是正则化：

假设你在厨房准备一顿饭，你的目标是做出美味又不过分油腻的菜肴。

没有正则化的情况：

假设你没有任何限制地使用所有的调料，包括大量的盐和油。这可能会使得某些菜肴在尝起来非常美味（模型在训练数据上表现得很好），但对健康并不好（模型泛化能力差，即在未知数据上表现不佳）。这就好比一个过拟合的模型，它在训练集上学到了太多不必要的复杂性，以至于不能很好地推广到新的情况。

加入正则化：

正则化就好比是在你的烹饪过程中有意识地限制油和盐的使用。你不完全禁止它们——因为它们对于菜肴的味道很重要——但你会谨慎地使用它们，以确保菜肴既美味又健康。这就是正则化在模型中的作用：它不是完全消除模型中的特征（调料），而是限制这些特征的权重，使模型保持适度。

正则化的强度（λ）：

正则化参数λ就像是你控制调料使用的规则。如果你设置得太严格（λ太高），那么菜肴可能会变得清淡无味（模型过于简化，可能导致欠拟合）。如果你设置得太宽松（λ太低），菜肴可能仍然过于油腻（模型过拟合）。

L1与L2正则化：

对于正则化通常有两种做法，L1和L2
L1 正则化倾向于创建更稀疏的模型，这意味着它会鼓励模型在某些特征上的权重变为零，类似于完全不使用某些调料。
L2 正则化则倾向于让所有特征的权重都较小但不为零，这类似于减少所有调料的使用量，但保留它们的存在。

总结：正则化实际上是对模型参数（例如逻辑回归中的权重）的调整。通过对这些参数添加额外的限制（例如，通过惩罚项），正则化减少模型的复杂度，从而帮助防止过拟合。这意味着模型在学习数据时不会过分依赖任何一个特征，从而提高其在新数据上的泛化能力。简单说：正则化通过调整模型参数的权重，来提高模型在新数据上预测目标（y）的泛化能力。

在逻辑回归中，我们通过在代价函数中增加一个正则化项来减少过拟合的风险： $J(θ) = -1/m [∑_{i=1}^m y^{(i)} log(h_θ(x^{(i)})) + (1 - y^{(i)}) log(1 - h_θ(x^{(i)}))] + λ/2m ∑_{j=1}^n θ_j^2$
在这个公式中：
第一部分是未正则化的代价，第二部分是正则化项

$J (θ)$ 是正则化后的代价函数。
$m$ 是训练样本的数量。
$y^{(i)}$ 是第 i 个训练样本的目标值。
$h_θ(x^{(i)})$ 是模型的预测，即 sigmoid(Xθ)。
$λ$ 是正则化参数，它控制了正则化的强度。
$θ_j$ 是模型参数。
$n$ 是参数的数量。

正则化项 $λ/2m ∑_{j=1}^n θ_j^2$ 通常不包括偏置项 $θ_0$
在代码中实现这个正则化代价函数：

# 定义正则化代价函数
def costReg(theta, X, y, learning_rate):theta = np.matrix(theta)first_term = np.multiply(-y, np.log(sigmoid(X * theta.T)))second_term = np.multiply((1 - y), np.log(1 - sigmoid(X * theta.T)))reg_term = (learning_rate / (2 * len(X))) * np.sum(np.power(theta[:,1:theta.shape[1]], 2))return np.sum(first_term - second_term) / len(X) + reg_term

在这个函数中，learning_rate 是 $λ$ （正则化参数），用于控制正则化的强度。请注意，正则化项只作用于 $\theta$ 的第二个元素及之后的元素，因为我们通常不对偏置项进行正则化。

同样地，梯度函数也需要修改以包括正则化项：

# 定义正则化梯度函数
def gradientReg(theta, X, y, learning_rate):theta = np.matrix(theta)error = sigmoid(X * theta.T) - ygrad = ((X.T * error) / len(X)).T + (learning_rate / len(X)) * theta# 不对偏置项θ_0进行正则化grad[0, 0] = np.sum(np.multiply(error, X[:,0])) / len(X)return grad

在这个函数中，我们对除了偏置项之外的所有权重应用正则化。这是通过在梯度计算中添加 (learning_rate / len(X)) * theta 来实现的。对于偏置项 theta[0, 0]，我们使用原始的梯度计算方法。

如何选择合适的正则化参数 λ

选择合适的正则化参数 λ对于确保模型既不过拟合也不欠拟合非常重要。以下是一些常用的方法来选择合适的正则化参数，这里仅参考一下，后续再详细学习：

交叉验证：最常见且有效的方法之一。可以使用 k 折交叉验证来评估不同 λ 值的性能。具体来说，将训练数据集分为 k 个小子集；对于每个 λ 值，将其中一个子集作为验证集，其余作为训练集。计算在这 k 个验证集上的平均性能，并选择表现最佳的 λ 值。
网格搜索：与交叉验证结合使用。在一个预定义的范围内（如从 0.01 到 100），为 λ 尝试多个值。通常这些值是在对数尺度上均匀分布的。然后使用交叉验证来评估每个 λ 值的性能，并选择最佳的一个。
AIC/BIC 准则：这些准则衡量的是模型的好坏，同时惩罚模型的复杂度。它们可以用于自动选择 λ 值，尤其在统计建模中比较常用。
验证曲线：通过绘制不同 λ 值的模型性能（比如，准确率或错误率）来直观地展示其影响。观察这些曲线，可以帮助选择一个使得模型既不过拟合也不欠拟合的 λ 值。
学习曲线：通过分析训练和验证误差随训练集大小变化的曲线，可以帮助判断更大或更小的 λ 值是否有助于提高模型性能。
启发式方法：在某些情况下，可以根据领域知识或以往经验来选择 λ 值。例如，在处理类似的数据集或问题时，先前有效的 λ 值可能会是一个不错的起点。
自动化方法：有些算法和库提供了自动化选择正则化参数的选项。例如，一些机器学习框架中的正则化路径算法可以自动搜索并选择最佳的 λ 值。