ridge regression与上一篇博客中的最小二乘法相似,只不过是后面加一个惩罚项,公式如下:
选择数据与上文相同,只不过换一个模型,运行结果如下:
(‘Coefficients: ‘, array([ 928.52207357]))
Residual sum of squares: 2559.32
Variance score: 0.47
代码:
# -*- coding: utf-8 -*-
'''
Created on 2017-2-15
@author: admin
'''
import matplotlib.pyplot as plt
import numpy as np
from sklearn import datasets, linear_model
#加载数据,并且将训练集和数据集进行分割。
diabetes = datasets.load_diabetes()
diabetes_X = diabetes.data[:, np.newaxis, 2]
diabetes_X_train = diabetes_X[:-20]
diabetes_X_test = diabetes_X[-20:]
diabetes_y_train = diabetes.target[:-20]
diabetes_y_test = diabetes.target[-20:]
# 创建训练模型
regr = linear_model.Ridge (alpha = 0.01)
# 通过训练数据训练模型
regr.fit(diabetes_X_train, diabetes_y_train)
#输出模型系数
print('Coefficients: ', regr.coef_)
# 输出错误差值平方均值
print("Residual sum of squares: %.2f"
% np.mean((regr.predict(diabetes_X_test) - diabetes_y_test) ** 2))
# Explained variance score: 1 is perfect prediction
print('Variance score: %.2f' % regr.score(diabetes_X_test, diabetes_y_test))
# Plot outputs
plt.scatter(diabetes_X_test, diabetes_y_test, color='black')
plt.plot(diabetes_X_test, regr.predict(diabetes_X_test), color='blue',
linewidth=3)
plt.xticks(())
plt.yticks(())
plt.show()
其他属性参数值就不详细赘述了,大体相同,如果有需要可以去官网查阅官方文档:
比较通用的参数就是不断的调整alpha值以便得到更好的结果。
由于此算法用法相对简单,不做过多的介绍了。
如有发现错误处欢迎指正。
本博客为博主辛苦总结,如有转载,请附原地址链接:
http://blog.csdn.net/u014662865/article/details/55194199
版权声明:本文为u014662865原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。