关于 python 岭回归的问题：缩放和解释答案

【问题标题】：Questions about ridge regression on python : Scaling, and interpretation关于 python 岭回归的问题：缩放和解释
【发布时间】：2026-01-04 18:00:02
【问题描述】：

我尝试使用 python 对波士顿住房数据进行岭回归，但我有以下问题无法在任何地方找到答案，因此我决定将其发布在这里：

在拟合模型之前是否建议进行缩放？因为当我扩展和不扩展时，我得到相同的分数。此外，在选择最佳 alpha 方面，alpha/coeff 图的解释是什么？

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns 
import matplotlib.pyplot as plt
%matplotlib inline
from sklearn import linear_model

df = pd.read_csv('../housing.data',delim_whitespace=True,header=None)
col_names = ['CRIM','ZN','INDUS','CHAS','NOX','RM','AGE','DIS','RAD','TAX','PTRATIO','B','LSTAT','MEDV']
df.columns = col_names
X = df.loc[:,df.columns!='MEDV']
col_X = X.columns 
y = df['MEDV'].values

# Feature Scaling:

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_std = scaler.fit_transform(X)
from sklearn.linear_model import Ridge
from sklearn.metrics import mean_squared_error
clf = Ridge()
coefs = []
alphas = np.logspace(-6, 6, 200)

for a in alphas:
    clf.set_params(alpha=a)
    clf.fit(X_std, y)
    coefs.append(clf.coef_)

plt.figure(figsize=(20, 6))
plt.subplot(121)
ax = plt.gca()
ax.plot(alphas, coefs) 
ax.set_xscale('log')
plt.xlabel('alpha')
plt.ylabel('weights')
plt.title('Ridge coefficients as a function of the regularization')
plt.axis('tight')
plt.show()

Alpha/coefficient graph for scaled X

Alpha/coefficient graph for unscaled X

在缩放数据上，当我计算分数并通过 CV 选择 alpha 时，我得到：

from sklearn.linear_model import RidgeCV
clf = RidgeCV(alphas=[1e-3, 1e-2, 1e-1, 1, 5, 7]).fit(X_std, y)

> clf.score(X_std, y)
> 0.74038
> clf.alpha_
> 5.0

在未缩放的数据上，我什至用完全不同的 alpha 获得了更好的分数：

clf = RidgeCV(alphas=[1e-3, 1e-2, 1e-1, 1, 6]).fit(X, y)

> clf.score(X, y)
> 0.74064
> clf.alpha_
> 0.01

感谢您对此事的见解，期待阅读您的答案！

【问题讨论】：

标签： python scikit-learn regression linear-regression

【解决方案1】：

我认为您应该进行缩放，因为 Ridge 正则化会惩罚较大的值，因此您不希望因为缩放问题而丢失有意义的特征。也许您看不出有什么不同，因为住房数据是一个玩具数据集，并且已经很好地扩展了。

较大的 alpha 对较大值的惩罚更强。该图向您显示（尽管它没有标签），使用更强的 alpha，您将系数更强烈地发送到零。越平缓的线越小权重，因此在 alpha 变得足够大之前，它们的影响较小或几乎完全不受影响。较尖锐的是较大的权重，因此它们会更快地降为零。当他们这样做时，该功能将从您的回归中消失。

【讨论】：

谢谢，所以基本上一个太强的 alpha 会抹去我所有的自变量的权重？抱歉没有标注！我上传图片的时候没看到
确切地说，将权重发送到零，因此在您的回归中，变量完全消失了。如果您不想这么快丢失变量，请尝试 sklearn.linear_model.Lasso

【解决方案2】：

对于缩放后的数据，设计矩阵的量级更小，系数往往更大（并且施加了更多的 L2 惩罚）。为了最小化 L2，我们需要越来越小的系数。如何获得越来越多的小系数？方法是选择一个非常大的 alpha，这样我们就可以有更多更小的系数。这就是为什么如果你缩放数据，最佳 alpha 是一个很大的数字。

【讨论】：