怎么在Python中執行套索和嶺回歸，很多新手對此不是很清楚，為了幫助大家解決這個難題，下面小編將為大家詳細講解，有這方面需求的人可以來學習下，希望你能有所收獲。

創新互聯建站主營建安網站建設的網絡公司,主營網站建設方案,重慶APP軟件開發,建安h5成都小程序開發搭建,建安網站營銷推廣歡迎建安等地區企業咨詢

導入庫

與任何項目一樣，導入常用的庫，這將有助于執行基本的數據操作和繪圖。

現在可以開始探索性數據分析。

探索性數據分析

首先導入數據集并查看前五行：

你應該看到：

 

請注意，Unnamed：0 列無用。把它拿出來。

 

現在數據集如下所示：

如您所見，只有三種廣告媒介，銷售是目標變量。

看看每個變量如何通過制作散點圖來影響銷售。首先構建一個輔助函數來制作散點圖：

 

現在可以為每個功能生成三個不同的圖。

 

得到以下內容：

關于電視廣告上花錢的銷售

關于花在廣播廣告上的錢的銷售

關于報紙廣告花費的銷售額

正如您所看到的，電視和廣播廣告似乎是銷售的良好預測因素，而銷售和報紙廣告之間似乎沒有相關性。

幸運的是，數據集不需要進一步處理，因此準備立即進行建模！

模型

多元線性回歸 - 最小二乘擬合

在完成之前，先來看看代碼的樣子。

 

首先，導入LinearRegression和cross_val_score 對象。第一個將允許擬合線性模型，而第二個對象將執行k倍交叉驗證。

然后定義特征和目標變量。

該cross_val_score將返回MSE的陣列為每個交叉驗證步驟。在例子中有五個。因此，采用MSE的意思并打印出來。應該得到-3.0729的負MSE。

現在，看看嶺回歸或套索是否會更好。

嶺回歸

對于嶺回歸，引入了GridSearchCV。這將允許使用一系列不同的正則化參數自動執行5次交叉驗證，以便找到alpha 的最佳值。

代碼如下所示：

然后，可以通過以下方式找到最佳參數和最佳MSE：

 

應該看到alpha的最佳值為20，負MSE為-3.07267。這是基本多元線性回歸的略微改進。

套索

對于套索，遵循與嶺回歸非常相似的過程：

 

在這種情況下，alpha的最佳值為1，負MSE為-3.0414，這是所有三個模型的最佳分數！

現在知道如何在Python中使用套索和嶺回歸。在這種情況下已經看到套索是最合適的方法，正則化值為1。

看完上述內容是否對您有幫助呢？如果還想對相關知識有進一步的了解或閱讀更多相關文章，請關注創新互聯行業資訊頻道，感謝您對創新互聯的支持。

分享標題：怎么在Python中執行套索和嶺回歸
URL分享：http://m.newbst.com/article34/jicgpe.html

成都網站建設公司_創新互聯，為您提供企業建站、網頁設計公司、微信公眾號、手機網站建設、外貿網站建設、品牌網站制作

廣告

聲明：本網站發布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創新互聯