Наименьшие квадраты с неотрицательными ограничениями

В этом примере мы подгоняем линейную модель с неотрицательными ограничениями на коэффициенты регрессии и сравниваем оцененные коэффициенты с классической линейной регрессией.

# Authors: The scikit-learn developers
# SPDX-License-Identifier: BSD-3-Clause

import matplotlib.pyplot as plt
import numpy as np

from sklearn.metrics import r2_score

Сгенерировать некоторые случайные данные

np.random.seed(42)

n_samples, n_features = 200, 50
X = np.random.randn(n_samples, n_features)
true_coef = 3 * np.random.randn(n_features)
# Threshold coefficients to render them non-negative
true_coef[true_coef < 0] = 0
y = np.dot(X, true_coef)

# Add some noise
y += 5 * np.random.normal(size=(n_samples,))

Разбить данные на обучающую и тестовую выборки

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5)

Подгон наименьших квадратов с неотрицательными ограничениями.

from sklearn.linear_model import LinearRegression

reg_nnls = LinearRegression(positive=True)
y_pred_nnls = reg_nnls.fit(X_train, y_train).predict(X_test)
r2_score_nnls = r2_score(y_test, y_pred_nnls)
print("NNLS R2 score", r2_score_nnls)

NNLS R2 score 0.8225220806196525

Подгон OLS.

reg_ols = LinearRegression()
y_pred_ols = reg_ols.fit(X_train, y_train).predict(X_test)
r2_score_ols = r2_score(y_test, y_pred_ols)
print("OLS R2 score", r2_score_ols)

OLS R2 score 0.7436926291700353

Сравнивая коэффициенты регрессии между OLS и NNLS, мы можем наблюдать, что они сильно коррелированы (пунктирная линия — это тождественное соотношение), но неотрицательное ограничение сжимает некоторые до 0. Наименьшие квадраты с неотрицательными ограничениями по своей природе дают разреженные результаты.

fig, ax = plt.subplots()
ax.plot(reg_ols.coef_, reg_nnls.coef_, linewidth=0, marker=".")

low_x, high_x = ax.get_xlim()
low_y, high_y = ax.get_ylim()
low = max(low_x, low_y)
high = min(high_x, high_y)
ax.plot([low, high], [low, high], ls="--", c=".3", alpha=0.5)
ax.set_xlabel("OLS regression coefficients", fontweight="bold")
ax.set_ylabel("NNLS regression coefficients", fontweight="bold")

Text(55.847222222222214, 0.5, 'NNLS regression coefficients')

Общее время выполнения скрипта: (0 минут 0,070 секунды)

Download Jupyter notebook: plot_nnls.ipynb

Download Python source code: plot_nnls.py

Download zipped: plot_nnls.zip

Связанные примеры

Влияние регуляризации модели на ошибку обучения и тестирования

Логистическая функция

Невозможность машинного обучения вывести причинно-следственные связи

Модели на основе l1 для разреженных сигналов