怎么在Python中执行套索和岭回归

怎么在Python中执行套索和岭回归，很多新手对此不是很清楚，为了帮助大家解决这个难题，下面小编将为大家详细讲解，有这方面需求的人可以来学习下，希望你能有所收获。

导入库

与任何项目一样，导入常用的库，这将有助于执行基本的数据操作和绘图。

现在可以开始探索性数据分析。

探索性数据分析

首先导入数据集并查看前五行：

你应该看到：

请注意，Unnamed：0 列无用。把它拿出来。

现在数据集如下所示：

如您所见，只有三种广告媒介，销售是目标变量。

看看每个变量如何通过制作散点图来影响销售。首先构建一个辅助函数来制作散点图：

现在可以为每个功能生成三个不同的图。

得到以下内容：

关于电视广告上花钱的销售

关于花在广播广告上的钱的销售

关于报纸广告花费的销售额

正如您所看到的，电视和广播广告似乎是销售的良好预测因素，而销售和报纸广告之间似乎没有相关性。

幸运的是，数据集不需要进一步处理，因此准备立即进行建模！

模型

多元线性回归 - 最小二乘拟合

在完成之前，先来看看代码的样子。

首先，导入LinearRegression和cross_val_score 对象。第一个将允许拟合线性模型，而第二个对象将执行k倍交叉验证。

然后定义特征和目标变量。

该cross_val_score将返回MSE的阵列为每个交叉验证步骤。在例子中有五个。因此，采用MSE的意思并打印出来。应该得到-3.0729的负MSE。

现在，看看岭回归或套索是否会更好。

岭回归

对于岭回归，引入了GridSearchCV。这将允许使用一系列不同的正则化参数自动执行5次交叉验证，以便找到alpha 的最佳值。

代码如下所示：

然后，可以通过以下方式找到最佳参数和最佳MSE：

应该看到alpha的最佳值为20，负MSE为-3.07267。这是基本多元线性回归的略微改进。

套索

对于套索，遵循与岭回归非常相似的过程：

在这种情况下，alpha的最佳值为1，负MSE为-3.0414，这是所有三个模型的最佳分数！

现在知道如何在Python中使用套索和岭回归。在这种情况下已经看到套索是最合适的方法，正则化值为1。

看完上述内容是否对您有帮助呢？如果还想对相关知识有进一步的了解或阅读更多相关文章，请关注行业资讯频道，感谢您对的支持。