1.3. 核岭回归

核岭回归 (KRR) [M2012] 将岭回归和分类（带有 \(L_2\)-范数正则化的线性最小二乘）与核技巧相结合。因此，它在由相应核和数据诱导的空间中学习一个线性函数。对于非线性核，这对应于原始空间中的非线性函数。

由KernelRidge学习的模型形式与支持向量回归 (SVR) 相同。然而，它们使用不同的损失函数：KRR 使用平方误差损失，而支持向量回归使用 \(\epsilon\)-不敏感损失，两者都结合了 \(L_2\) 正则化。与 SVR 不同，KernelRidge 的拟合可以通过闭式解完成，对于中等规模的数据集通常更快。另一方面，学习到的模型是非稀疏的，因此在预测时比 SVR 慢，后者对于 \(\epsilon > 0\) 学习的是稀疏模型。

下图比较了 KernelRidge 和 SVR 在一个人工数据集上的表现，该数据集包含一个正弦目标函数，并且每第五个数据点都添加了强噪声。图中绘制了 KernelRidge 和 SVR 学习到的模型，其中两者都通过网格搜索优化了 RBF 核的复杂性/正则化和带宽。学习到的函数非常相似；然而，拟合 KernelRidge 大约比拟合 SVR 快七倍（两者都使用了网格搜索）。但是，预测 100,000 个目标值时，SVR 快三倍多，因为它学习了一个稀疏模型，仅使用了 100 个训练数据点中约 1/3 作为支持向量。

下图比较了 KernelRidge 和 SVR 在不同训练集大小下的拟合时间和预测时间。对于中等大小的训练集（少于 1000 个样本），拟合 KernelRidge 比 SVR 快；然而，对于更大的训练集，SVR 的扩展性更好。在预测时间方面，由于学习到了稀疏解，SVR 对于所有大小的训练集都比 KernelRidge 快。请注意，稀疏程度以及因此的预测时间取决于 SVR 的参数 \(\epsilon\) 和 \(C\)；\(\epsilon = 0\) 将对应于一个密集模型。

示例

• 核岭回归与 SVR 的比较

参考文献

[M2012]

“Machine Learning: A Probabilistic Perspective” Murphy, K. P. - 第 14.4.3 章, 第 492-493 页, 麻省理工学院出版社, 2012