机器学习：以分析红酒口感为例说明交叉验证的套索模型

     在线性回归问题中比较常用的一种算法就是最小二乘法(OLS),其核心思想是:通过最小化误差的平方和寻找数据的最佳函数匹配。

但是普通的OLS最常见的一个问题是容易过度拟合：即在样本数据集上属性值(x)和目标值(y)是一一对应的。这样的结果看似拟合效果

很好，但是在新数据集上的误差却会很大。

      解决这个问题，目前主要有两种思路：前向逐步回归和惩罚线性回归。之所以说是两种思路，而不是两种算法，是因为以这两种思想

为基础，形成了两种算法族，尤其是后者有多种较出名的算法(例如岭回归、套索回归、最小角度回归、Glmnet等)。

     前向逐步回归基本算法思路：遍历属性中的每一列，找到均方误差(MSE)之和最小的一列(即效果最佳的列)，然后寻找和这列组合效果

最好的第二列属性，依次类推直到所有的列。在这个过程中MSE--属性个数在坐标系中行成的曲线会有明显的变化，可以通过观察曲线得到

想要的结果，或者通过打印出来的MES值获得最终结果。

     惩罚线性回归基本算法思路：在普通最小二乘法的公式中添加一个惩罚项。如果最小二乘法以下面的数学公式表达：

，那么套索(Lasso)回归的公式为：.其中，α||W||=α(|w1|+|w2|+...+|Wn|)。

      Lasso通过构造一个惩罚函数得到一个较为精炼的模型，使得它压缩一些系数，同时设定一些系数为零，也就是说Lasso的系数向量是稀疏的。

Lasso是采用的L1范数正则化(OLS在变量选择方面的三种扩展方法中的一种,也叫收缩方法）： L1范数是指向量中各个元素绝对值之和。

      上面说了关于模型的问题，下面说说模型评估。

      目前主要的模型性能评估方法也有两种：预留测试集和n折交叉验证。

      预留测试集就是把样本数据分成两类：一类用于训练模型，另一类用于测试模型。一般情况下测试集可以占所有数据的25%～35%。

      n折交叉验证就是把数据分成n份不相交的子集，以其中的一份作为测试集，另外n-1份作为训练集。假如把数据分成5份，依次编号1～5，第一次把1号作为测试集，2、3、4、5号作为训练集，第二次把2号作为测试集，1、3、4、5作为训练集，依次类推，直到结束。

      这里的功能核心是：sklearn.linear_model.LassoCV

      LassoCV参数有很多，我们只用用到参数cv：表示使用几折交叉验证。

      重点是介绍下相关属性：

             alpha_: 通过交叉验证后得到的处罚系数，即公式中的α值

             coef_:  参数向量（公式中的w）

             mse_path_: 每次交叉验证的均方误差

             alphas_: 验证过程中使用过的alpha值

      本次测试相关的理论基础大概就这么多，下面开始实验：

import numpy as np
import matplotlib.pyplot as plt
from sklearn import linear_model
from sklearn.linear_model import LassoCV
import os

##运行脚本所在目录
base_dir=os.getcwd()
data=np.loadtxt(base_dir+r"\wine.txt",delimiter=";")

##矩阵的长度：行数
dataLen = len(data)
##矩阵的宽度：列数
dataWid = len(data[0])
##每列的均值
xMeans = []
##每列的方差
xSD = []
##归一化样本集
xNorm = []
##归一化标签
lableNorm = []

##第一次处理数据：计算每列的均值和方差
for j in range(dataWid):
    ##读取每列的值
    x = [data[i][j] for i in range(dataLen)]
    ##每列的均值
    mean = np.mean(x)
    xMeans.append(mean)
    ##每列的方差
    sd = np.std(x)
    xSD.append(sd)
    
##第二次处理数据：归一化样本集和标签
for j in range(dataLen):
    ##样本集归一化
    xn = [(data[j][i]-xMeans[i])/xSD[i] for i in range(dataWid-1)]      
    xNorm.append(xn)
    ##标签归一化
    ln = (data[j][dataWid-1]-xMeans[dataWid-1])/xSD[dataWid-1]
    lableNorm.append(ln)
     
##参数格式是数组形式，所以需要转换一下
X=np.array(xNorm)
Y=np.array(lableNorm)
##开始做交叉验证：cv=10表示采用10折交叉验证
wineModel = LassoCV(cv=10).fit(X,Y)

##打印出最佳解的每项的系数：[ 0,-0.22773828,0,0,-0.09423888,
         ##0.02215153,-0.09903605,0,-0.06787363,0.16804092,0.3750958 ]
print(wineModel.coef_)
##打印出最佳解的惩罚系数：0.013561387701
print(wineModel.alpha_)
##绘图
plt.figure()
##随着alpha值的变化，均方误差的变化曲线
plt.plot(wineModel.alphas_, wineModel.mse_path_, ':')
##验证过程中，随着alpha值的变化，均方误差的平均曲线
plt.plot(wineModel.alphas_, wineModel.mse_path_.mean(axis=-1),
         label='Average MSE Across Folds', linewidth=2)
##每次验证系统认为的最合适的alpha值
plt.axvline(wineModel.alpha_, linestyle='--',
            label='CV Estimate of Best alpha')
plt.semilogx()
plt.legend()
ax = plt.gca()
ax.invert_xaxis()
plt.xlabel('alpha')
plt.ylabel('Mean Square Error')
plt.axis('tight')
plt.show()

最佳解的惩罚系数和向量系数已经在代码中以注释的方式写了，生成的结果图如下：