独家 | 为你介绍7种流行的线性回归收缩与选择方法（附代码）

作者：Michał Oleszak

翻译：张恬钰

校对：吴金笛

文章来源：微信公众号 数据派THU

本文讨论了几种子集和收缩方法：最佳子集回归, 岭回归, LASSO, 弹性网, 最小角度回归, 主成分回归和偏最小二乘。

本文讨论了七种流行的收缩和选择方法的数学属性和实际的Python应用。

在本文中，我们将介绍七种流行的子集选择和线性回归收缩方法。在介绍了证明需要这些方法的主题之后，我们将逐一研究每种方法，包括数学属性和Python应用程序。

为什么收缩或子集，这是什么意思？

在线性回归上下文中，子集意味着从可用变量中选择要包含在模型中的子集，从而减少其维数。另一方面，收缩意味着减小系数估计的大小（将它们缩小到零）。请注意，如果系数缩小到恰好为零，则相应的变量将退出模型。因此，这种情况也可以看作是一种子集。

收缩和选择旨在改进简单的线性回归。关于