本文出自Bin的专栏blog.csdn.net/xbinworld。
“机器学习方法“系列，我本着开放与共享（open and share）的精神撰写，目的是让更多的人了解机器学习的概念，理解其原理，学会应用。希望与志同道合的朋友一起交流，我刚刚设立了了一个技术交流QQ群：433250724，欢迎对算法、技术、应用感兴趣的同学加入，在交流中拉通——算法与技术，让理论研究与实际应用深度融合；也希望能有大牛能来，为大家解惑授业，福泽大众。推广开放与共享的精神。如果人多我就组织一些读书会，线下交流。
本节的内容需要依赖上一节已经讲了的机器学习：概念到理解（一）：线性回归，线性回归的模型是这样的，对于一个样本xi，它的输出值是其特征的线性组合：
f(xi)=∑m=1pwmxim+w0=wTxi
其中，w0称为截距，或者bias，上式中通过增加xi0=1把w0也吸收到向量表达中了，简化了形式，因此实际上xi有p+1维度。
线性回归的目标是用预测结果尽可能地拟合目标label，用最常见的Least square作为loss function：
J(w)=1n∑i=1n(yi−f(xi))2=1n∥y−Xw∥2
可以直接求出最优解：
w∗=(XTX)−1XTy
看起来似乎很简单，但是在实际使用的过程中会有不少问题，其中一个主要问题就是上面的协方差矩阵不可逆时，目标函数最小化导数为零时方程有无穷解，没办法求出最优解。尤其在p>n时，必然存在这样的问题，这个时候也存在overfitting的问题。这个时候需要对w做一些限制，使得它的最优解空间变小，也就是所谓的regularization，正则。
ridge regression
最为常见的就是对w的模做约束，如ridge regression，岭回归，就是在线性回归的基础上加上l2-norm的约束，loss function是（习惯上一般会去掉前面线性回归目标函数中的常数项1n，同时为了后面推导的简洁性会加上一个12）：
JR(w)=12∥y−Xw∥2+λ2∥w∥2
有解析解：
w^R=(XTX+λI)−1XTy
其中λ>0是一个参数，有了正则项以后解就有了很好的性质，首先是对w的模做约束，使得它的数值会比较小，很大程度上减轻了overfitting的问题；其次是上面求逆部分肯定可以解，在实际使用中ridge regression的作用很大，通过调节参数λ，可以得到不同的回归模型。
实际上ridge regression可以用下面的优化目标形式表达：
minw12∥y−Xw∥2,s.t.∥w∥2<θ
也就是说，我依然优化线性回归的目标，但是条件是w的模长不能超过限制θ。上面两种优化形式是等价的，可以找到一 一对应的λ和θ。
稀疏约束，Lasso
先看一下几种范式(norm)的定义，
∥w∥2=(∑iwi2)1/2
∥w∥1=∑i|wi|
∥w∥0=∑i1(wi≠0)
如前面的ridge regression，对w做2范式约束，就是把解约束在一个l2-ball里面，放缩是对球的半径放缩，因此w的每一个维度都在以同一个系数放缩，通过放缩不会产生稀疏的解——即某些w的维度是0。而实际应用中，数据的维度中是存在噪音和冗余的，稀疏的解可以找到有用的维度并且减少冗余，提高回归预测的准确性和鲁棒性（减少了overfitting）。在压缩感知、稀疏编码等非常多的机器学习模型中都需要用到稀疏约束。
稀疏约束最直观的形式应该是约束0范式，如上面的范式介绍，w的0范式是求w中非零元素的个数。如果约束∥w∥0≤k，就是约束非零元素个数不大于k。不过很明显，0范式是不连续的且非凸的，如果在线性回归中加上0范式的约束，就变成了一个组合优化问题：挑出≤k个系数然后做回归，找到目标函数的最小值对应的系数组合，是一个NP问题。
有趣的是，l1-norm（1范式）也可以达到稀疏的效果，是0范式的最优凸近似，借用一张图[1]：
L1andL0
很重要的是1范式容易求解，并且是凸的，所以几乎看得到稀疏约束的地方都是用的1范式。
回到本文对于线性回归的讨论，就引出了Lasso(least absolute shrinkage and selection operator) 的问题：
minw12∥y−Xw∥2,s.t.∥w∥1<θ
也就是说约束在一个l1-ball里面。ridge和lasso的效果见下图：
lasso
红色的椭圆和蓝色的区域的切点就是目标函数的最优解，我们可以看到，如果是圆，则很容易切到圆周的任意一点，但是很难切到坐标轴上，因此没有稀疏；但是如果是菱形或者多边形，则很容易切到坐标轴上，因此很容易产生稀疏的结果。这也说明了为什么1范式会是稀疏的。
Lasso稀疏性的进一步理解：
类似Ridge，我们也可以写出Lasso的优化目标函数：
JL(w)=12∥y−Xw∥2+λ∑i|wi|
根据一般的思路，我们希望对JL(w)求导数=0求出最优解，即▽JL(w)=0，但是l1-norm在0点是连续不可导的，没有gradient，这个时候需要subgradient：
定义1：记f:U→R是一个定义在欧式空间凸集Rn上的实凸函数，在该空间中的一个向量v称为f在点x0∈U的次梯度(subgradient)，如果对于任意x∈U,满足f(x)−f(x0)≥v⋅(x−x0)成立。
其中⋅是向量的点积。由在点x0处的所有subgradient所组成的集合称为x0处的subdifferential，记为∂f(x0)。注意subgradient和subdifferential只是对凸函数定义的。例如一维的情况，f(x)=|x|，在x=0处的 subdifferential就是[−1,1]这个区间（集合）。又例如下图中，在x0点不同红线的斜率就是表示subgradient的大小，有无穷多。
subgradient
图 subgradient
注意在x的gradient存在的点，subdifferential 将是由gradient构成的一个单点集合。这样就将 gradient 的概念加以推广了。这个推广有一个很好的性质（condition for global minimizer）。以下部分参考了[3]，是浙大毕业去MIT的一个牛人的博客，看了以后自己再照着重写了一遍。
性质1：点x0是凸函数f的全局最小值，当且仅当0∈∂f(x0)。
很容易理解，看上面的图，在x0点不是全局最小值，因为subgradient不包含0，而原点0就是全局最小值。如果要证明也很显然，将0∈∂f(x0)带入前面的定义1中，就得到f(x)≥f(x0)。
为了方便说明，需要做一个简化假设，即数据X的列向量是orthonormal的[2,3]，即XTX=I（当然没有这个假设Lasso也是可以运作的）。于是线性回归的最优解是
w∗=XTy
假设lasso问题JL(w)的全局最优解是w¯∈Rn，考察它的任意一个维度w¯j，需要分别讨论两种情况：
情况1：gradient存在的区间，即w¯j≠0
由于gradient在最小值点=0，所以
∂JL(w)∂wj∣∣∣w¯j=0
所以
−(XTy−XTXw¯)j+λ⋅sgn(w¯j)=0
其中λ≥0。所以
w¯j=w∗j−λ⋅sgn(w¯j)
很容易看出，w¯j和w∗j是同号的，因此可以得出
w¯j=w∗j−λ⋅sgn(w¯j)=sgn(w∗j)(|w∗j|−λ)(|w∗j|−λ)=|w¯j|≥0
最后得到
w¯j=sgn(w∗j)(|w∗j|−λ)+
其中(x)+表示取x的正数部分；(x)+=max(x,0)。
情况2：gradient不存在，即w¯j=0
根据前面的性质1，如果w¯j是最小值，则
0∈∂JL(w¯)=−(XTy−XTXw¯)+λ⋅e=w¯−w∗+λ⋅e
其中e是一个向量，每一个元素ej∈[−1,1]，使得0=−w∗j+λ⋅ej成立。因此
|w∗j|=λ|ej|≤λ
所以和情况（1）和（2）可以合并在一起。所以呢，如果在这种特殊的orthonormal情况下，我们可以直接写出Lasso的最优解：
w¯j=sgn(w∗j)(|w∗j|−λ)+
OK，再回顾一下前面的ridge regression，如果也考虑上面说的orthonormal情况下，可以很容易得出最优解为
w^R=11+λw∗
很容易得出结论，ridge实际上就是做了一个放缩，而lasso实际是做了一个soft thresholding，把很多权重项置0了，所以就得到了稀疏的结果！
lasso&ridge
除了做回归，Lasso的稀疏结果天然可以做机器学习中的另外一件事——特征选择feature selection，把非零的系数对应的维度选出即可，达到对问题的精简、去噪，以及减轻overfitting。
上面是做了简化后的讨论，实际中lasso求解还要复杂的多。在下一篇文章中，将描述和Lasso非常相关的两种方法，forward stagewise selection和最小角回归least angle regression（LARS），它们三者产生的结果非常接近（几乎差不多），并且都是稀疏的，都可以做feature selection。有的时候就用Lars来作为Lasso的目标的解也是可以的。
参考资料
[1] http://www.jb51.cc/article/p-zqcpdokc-me.html
[2] The elements of statistical learning,ch3
[3] http://freemind.pluskid.org/machine-learning/sparsity-and-some-basics-of-l1-regularization/
[4] http://en.wikipedia.org/w/index.php?title=Subderivative&redirect=no#The_subgradient
