我知道线性回归可以认为是“垂直上最接近所有点的线”:
但是,通过可视化列空间,还有另一种查看方式,即“在系数矩阵的列所跨越的空间上的投影”:
我的问题是:在这两种解释中,当我们使用惩罚线性回归(如岭回归和 LASSO)时会发生什么?在第一个解释中该行会发生什么?在第二种解释中,投影会发生什么?
更新: @JohnSmith在评论中提到了惩罚发生在系数空间中的事实。在这个领域也有解释吗?
1
我不确定是否可以提出这样的解释。仅仅是因为您提供的是功能和响应的原始空间中的图像。惩罚回归涉及系数空间,这是非常不同的。
—
德米特里·拉普捷夫
“垂直于所有点的线”?通常取平方和-参见Wikipedia Coefficient_of_determination上的精美图片。垂直距离的总和为L1范数,它对异常值较不敏感,但较不常见。
—
2014年