溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
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。
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，請關注億速云行業資訊頻道，感謝您對億速云的支持。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
