LASSO 和稀疏解
LASSO and sparse solutions
在一篇文章中我发现了以下内容：
“LASSO 回归方法提供了稀疏解，因此可以提高模型的可解释性”。
有人可以帮我理解这是什么意思吗？据我所知，方程组解的稀疏分解是具有最小伪 l 范数的维度 l 向量，使得系统仍然满足。将一些回归系数设置为零的稀疏解对解释有何帮助？
Lasso Regression的惩罚方式与Ridge不同，Ridge是使用L1正则化。还有一个“alpha”参数，您可以在 scikit-learn 上设置它。对于“alpha”的高值，许多系数正好为零。
此方法也使用系数的绝对和 ( |w| )。例如，如果你的数据集上有高相关特征，Lasso 正在对最大系数做一个相关预测，而其余的设置为 0
如果有两个或多个高度共线的变量，那么 LASSO 回归 select 其中一个是随机的（这不利于数据的解释）
您可以在此处找到更多详细信息 => https://www.geeksforgeeks.org/lasso-vs-ridge-vs-elastic-net-ml/
稀疏 matrix/array 或当您的矩阵主要包含零和少数非零项时定义的任何内容。另一方面，密集的 matrix/array 是指零很少。
应用 LASSO 回归时，学习系数的稀疏性取决于惩罚量 (lambda)。惩罚越高，得到的系数越稀疏。即，非零系数（选定变量）。例如，如果您的回归中有 100 个自变量，LASSO 可能 return 只有 10 个非零变量。这意味着 10 个非零变量和 90 个零变量。这就是稀疏性的含义。
选择的变量很少（非零）意味着可解释模型，因为您可以用很少的变量（在上面的示例中是 10 个变量）而不是使用 100 个变量来解释它。
在一篇文章中我发现了以下内容：
“LASSO 回归方法提供了稀疏解，因此可以提高模型的可解释性”。
有人可以帮我理解这是什么意思吗？据我所知，方程组解的稀疏分解是具有最小伪 l 范数的维度 l 向量，使得系统仍然满足。将一些回归系数设置为零的稀疏解对解释有何帮助？
Lasso Regression的惩罚方式与Ridge不同，Ridge是使用L1正则化。还有一个“alpha”参数，您可以在 scikit-learn 上设置它。对于“alpha”的高值，许多系数正好为零。
此方法也使用系数的绝对和 ( |w| )。例如，如果你的数据集上有高相关特征，Lasso 正在对最大系数做一个相关预测，而其余的设置为 0
如果有两个或多个高度共线的变量，那么 LASSO 回归 select 其中一个是随机的（这不利于数据的解释）
您可以在此处找到更多详细信息 => https://www.geeksforgeeks.org/lasso-vs-ridge-vs-elastic-net-ml/
稀疏 matrix/array 或当您的矩阵主要包含零和少数非零项时定义的任何内容。另一方面，密集的 matrix/array 是指零很少。
应用 LASSO 回归时，学习系数的稀疏性取决于惩罚量 (lambda)。惩罚越高，得到的系数越稀疏。即，非零系数（选定变量）。例如，如果您的回归中有 100 个自变量，LASSO 可能 return 只有 10 个非零变量。这意味着 10 个非零变量和 90 个零变量。这就是稀疏性的含义。
选择的变量很少（非零）意味着可解释模型，因为您可以用很少的变量（在上面的示例中是 10 个变量）而不是使用 100 个变量来解释它。