目录
欠拟合、过拟合
欠拟合
模型无法捕捉训练数据中的潜在模式和规律，导致在训练集和测试集上表现都很差（误差都很高）。
产生原因
模型过于简单：例如用线性模型拟合非线性关系（如房价与面积的关系可能是二次曲线，但用一次函数拟合）。
特征不足：输入特征太少，无法描述数据的关键规律（如预测房价只考虑面积，忽略地段、楼层等重要特征）。
正则化过度：对模型参数的惩罚太强，导致模型被过度简化。
过拟合
模型过度学习训练数据中的细节（包括噪声和随机波动），导致在训练集上表现极好，但测试集上表现很差（泛化能力差）。
产生原因
模型过于复杂：例如用 10 次多项式拟合本应是线性分布的数据。
训练数据不足或有噪声：样本量少，模型容易记住每个样本的细节（包括噪声）；数据中噪声多，模型会学习这些 “错误信息”。
特征过多：特征维度远大于样本量，模型容易找到巧合的特征组合拟合训练数据。
正则化
在机器学习中，模型训练的目标是 “既拟合训练数据，又能泛化到新数据”。但当模型复杂度过高时，容易出现过拟合（Overfitting）：
模型在训练集上表现极好（损失极低），但在测试集上表现很差（损失骤升）；
本质原因是模型 “记住” 了训练数据中的噪声和细节，而不是学习到通用规律。
正则化的核心作用：通过在损失函数中加入 “参数惩罚项”，限制参数的取值范围（避免过大），降低模型复杂度，强制模型学习更简单、更稳定的规律，从而缓解过拟合。
正则化的数学本质是修改损失函数，在原始损失（如均方误差 MSE、交叉熵）的基础上，增加一个 “惩罚项”，形式如下：
正则化损失 = 原始损失 + 惩罚项
其中：
λ（正则化强度）：控制惩罚力度。λ=0时无正则化（可能过拟合）； λ越大，惩罚越强（参数被限制得越严格，模型越简单，可能欠拟合）。
惩罚项：根据形式不同，分为 L1 正则化和 L2 正则化（对应拉索回归和岭回归）。
岭回归（Ridge Regression）：L2 正则化
岭回归是线性回归的改进版本，通过引入L2 正则化解决过拟合问题，适用于特征间存在相关性的场景。
核心思想：在线性回归的损失函数中加入参数平方和的惩罚项，限制参数的 “大小”，避免参数因过度拟合噪声而变得过大。
对应欧氏距离
当λ增大时，为了使总损失最小，w的值变小（但不会变为 0）。
参数变小后，特征对预测结果的影响更温和，避免了个别特征的微小波动导致预测结果剧烈变化（模型更稳定）；
对于共线性特征（如高度相关的两个特征），L2 会让它们的权重 “平均分配”，避免某一个特征的权重过大。
适用场景
特征间存在较强相关性（如多重共线性问题）。
需要保留所有特征（不希望任何特征被完全剔除）。
样本量较少或特征维度较高的场景。
API
sklearn.linear_model.Ridge
alpha：正则化强度（λ），值越大惩罚越强。默认 1.0
fit_intercept：是否计算截距（w₀）。默认 True
max_iter：迭代最大次数
tol：收敛阈值，损失下降小于该值时停止。
属性：
coef_：模型权重（w₁, w₂, ..., wₖ）intercept_：截距（w₀）
from sklearn.linear_model import Ridge
from sklearn.datasets import fetch_california_housing
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error
X, y = fetch_california_housing(return_X_y=True,data_home = '../src')
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)
# 岭回归
# tol: 设置停止迭代的阈值
model = Ridge(alpha=0.1,
max_iter=1000,
fit_intercept=True,
tol=0.1)
model.fit(X_train, y_train)
y_hat = model.predict(X_test)
print('w:',model.coef_)
print('b:',model.intercept_)
print('loss:',mean_squared_error(y_test, y_hat))拉索回归（Lasso Regression）：L1 正则化
岭回归是线性回归的改进版本，通过引入L2 正则化解决过拟合问题，适用于特征间存在相关性的场景。
核心思想：在线性回归的损失函数中加入参数绝对值和的惩罚项，不仅限制参数大小，还会将不重要特征的参数 “压缩为 0”，实现特征选择。
对应曼哈顿距离
Lasso回归的目标是最小化以下损失函数：
L1 惩罚项的特殊性质是会使部分参数变为 0（稀疏性）
当λ足够大时，不重要的特征的权重会被压缩到 0，相当于模型自动 “剔除” 了这些特征；
剩余的非零参数对应更重要的特征，模型复杂度显著降低（特征更少），从而缓解过拟合。
适用场景
高维稀疏数据（特征数量远大于样本量，如文本分类中的词袋特征）。
需要自动筛选特征（减少特征维度，简化模型）。
特征间相关性较低的场景（若特征高度相关，L1 可能随机剔除其中一个）。
API
sklearn.linear_model.Lasso
max_iter：迭代次数（L1 收敛较慢，通常需要更大值）
warm_start：是否利用上一次训练结果加速本次训练。默认 False
alpha：正则化强度，值越大惩罚越强
属性：
coef_：模型权重（含 0 值，实现特征选择）intercept_：截距
from sklearn.linear_model import Lasso
from sklearn.datasets import fetch_california_housing
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error
X, y = fetch_california_housing(return_X_y=True,data_home = '../src')
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)
# 岭回归
# tol: 设置停止迭代的阈值
model = Lasso(alpha=0.1,
max_iter=1000,
fit_intercept=True,
tol=0.1)
model.fit(X_train, y_train)
y_hat = model.predict(X_test)
print('w:',model.coef_)
print('b:',model.intercept_)
print('loss:',mean_squared_error(y_test, y_hat))
逻辑回归
逻辑回归（Logistic Regression）是一种广泛应用于分类问题的统计学习方法，多用于解决二分类（或多分类）问题。它通过 Sigmoid 函数将线性回归的输出映射到 [0,1] 区间，从而表示样本属于某一类别的概率。
线性回归:
Sigmoid 函数
将线性回归的输出映射到 [0,1] 区间，从而表示样本属于某一类别的概率。
sigmoid激活函数 :
把上面的h(w) 线性的输出再输入到sigmoid函数当中
若f(w)> 0.5，预测为正类（1）
若f(w)< 0.5，预测为负类（0）
损失函数：交叉熵
逻辑回归不使用 MSE 作为损失函数（非凸函数，易陷入局部最优），而是使用交叉熵损失：
对于二分类问题，损失函数:
损失函数图:
当y=1时:
通过损失函数图像,我们知道:
当y=1时,我们希望值越大越好
当y=0时,我们希望值越小越好
综合0和1的损失函数:
若
，损失简化为−log(y^i)，y_hat 越接近 1，损失越小
若
=0，损失简化为 -log(1-y^i_hat))：y_hat 越接近 0，损失越小
手动算一下下:
API
sklearn.linear_model.LogisticRegression
penalty：正则化类型：
'l2'（默认）、'l1'、'elasticnet'（L1+L2）、'none'C ：正则化强度的倒数 C = 1/ λ ，值越小正则化越强。默认 1.0
max_iter：最大迭代次数（确保收敛）
属性：
coef_：特征权重intercept_：截距predict_proba(X)：返回每个样本的类别概率
from sklearn.preprocessing import StandardScaler
from sklearn.feature_extraction import DictVectorizer
from sklearn.linear_model import LogisticRegression
import pandas as pd
from sklearn.model_selection import train_test_split
data = pd.read_csv('../src/titanic/titanic.csv')
print(data.to_numpy().shape)
# 列
# print(data.columns)
# 加载泰坦尼克号数据集，提取了三个特征：船舱等级 (pclass)、年龄 (age) 和性别 (sex)
y = data['survived'].values
x = data[['pclass', 'age', 'sex']]
# print(x.shape)
# print(x.head())
# 缺失值处理
# 对年龄中的缺失值使用平均值进行填充
x['age'].fillna(x['age'].mean(), inplace=True)
# 转换为字典格式，便于特征向量化
x = x.to_dict(orient='records')
# 字典向量化 转为矩阵
#sparse=False: 转为稠密矩阵
dicter = DictVectorizer(sparse=False)
x = dicter.fit_transform(x)
print("特征名称:", dicter.get_feature_names_out())
print("前10条处理后的特征:\n", x[:10])
scaler = StandardScaler()
x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.2,random_state=0)
x_train = scaler.fit_transform(x_train)
x_test = scaler.transform(x_test)
# 逻辑回归
model = LogisticRegression(max_iter=1000,fit_intercept=True)
# 训练
model.fit(x_train,y_train)
# 准确率
score = model.score(x_test,y_test)
print('score:',score)(1313, 11)
特征名称: ['age' 'pclass=1st' 'pclass=2nd' 'pclass=3rd' 'sex=female' 'sex=male']
前10条处理后的特征:
[[29. 1. 0. 0. 1. 0. ]
[ 2. 1. 0. 0. 1. 0. ]
[30. 1. 0. 0. 0. 1. ]
[25. 1. 0. 0. 1. 0. ]
[ 0.9167 1. 0. 0. 0. 1. ]
[47. 1. 0. 0. 0. 1. ]
[63. 1. 0. 0. 1. 0. ]
[39. 1. 0. 0. 0. 1. ]
[58. 1. 0. 0. 1. 0. ]
[71. 1. 0. 0. 0. 1. ]]
score: 0.8365019011406845