Intro

线性回归（Linear Regression）是机器学习的基本方式，但为了提升其性能，人们发明了无数优化方式。这个“不只是线性回归”系列就是为了记录我在日常的学习中发现的，不只是简单的线性回归的算法、优化方式、数学原理等。

2. 多重共线性（Multicollinearity）

2.1 什么是多重共线性？

多重共线性，是指特征之间存在一组或多组线性关系。会导致训练出的模型失真。例如著名的Boston Housing数据集中，’INDUS’, ‘RAD’, ‘TAX’几个特征之间就存在严重的多重共线性（亲测）。

2.2 如何发现多重共线性？

判断特征间是否存在多重共线性貌似有N种方法，我一般就使用最直接的方式：看相关系数。计算两个特征的相关系数及P值，如果相关系数大于0.7，且P值小于0.05的话，一般就可以认为这两个特征存在共线性。

举例来说，下图是Boston Housing数据集13个特征间的相关系数矩阵，可以看出其中存在共线性的特征是哪几个。

图1：相关系数矩阵

在网上看到还有根据Tolerance（容忍度）和VIF（方差膨胀因子）的判断方式，原谅一天统计学都没有学过的我不想去深究了。

2.3 如何解决多重共线性？

简单粗暴的方式，当然是判断出并剔除这些特征中次要或可替代的那些，相当于减少特征间重复表达的信息。我相信一定有N种方式来做上述判断的实现，但追(zhi)求(xiang)简(tou)洁(lan)的我一般采用主成分分析（PCA）的方式。

除了feature engineering的方式，我们还可以采用下面要介绍的正则化方式。

3. 线性回归的正则化（regularization）

正则化听上去非常高端的样子，但其实简单的说，就是在原有的损失函数（cost function）后面加一个正则化项（regularizer），这个正则化项可以避免模型参数过于发散无法收敛，也可以避免过拟合的现象。下面介绍的两种正则化方法，分别用的是两种不同的正则化项：

• L1范数：所有参数的绝对值之和，对应Lasso回归；
• L2范数：所有参数的平方和，对应岭回归。

以上所说的参数都是不包括 theta0 的。