lasso最小角_最小角回归法（Least Angle Regression）求解Lasso 回归算法

引用：http://www.cnblogs.com/pinard/p/6018889.html

最近在学习机器学习的相关框架，看到最小角回归理解了一下：

在介绍最小角回归算法前，我们需要了解两个相关算法，一个是前向选择算法(Foward Selection)，一个是前向梯度算法(Forward Statgewise)。

1.前向选择算法(Foward Selection)

假设有Y=Xθ,X为m*n的矩阵，Y为m*1的矩阵，我们要找到一个θ，最大程度的拟合输入和输出。

这里把X看成n个m*1的的向量Xi。

第一步：选择和目标Y最为接近的Xi(余弦相似度),记为Xk。

过Y向Xk向量做投影，投影的长度便作为Xk对应的系数，记为θk。

第二步：定义(残差)Y‘=Y-Xk*θK

若Y‘把所有的自变量都投影完毕，或者Y'为0，结束算法。

否则投影后的Y‘被设为新的目标Y,重复第一步。

图示引荐如下：

上图为Y在X1,X2上的分解，对应的θ即为要求解的系数。

2.前向梯度算法(Forward Stagewise)

同前向选择方法不同的一点是，θk的取值是人为设定的，每次θk会有一个初始值设为w，

计算残差Y‘=Y-Xk*w，再根据Y’去找相似度最大的向量Xi。

引图如下：

如上图Y沿着x1方向，行走εx1时，就会停下来计算残差，再判断究竟与x1的相似度还是与x2的相似度大，然后继续走下去。

3.最小角回归(Least Angle Regression， LARS)算法

首先，还是找到与因变量Y最接近或者相关度最高的自变量Xk，使用类似于前向梯度算法中的残差计算方法，得到新的目标Y'，此时不用和前向梯度算法一样小步小步的走。而是直接向前走直到出