线性回归9-岭回归API

1 API

1.1 Ridge

• sklearn.linear_model.Ridge(alpha=1.0, fit_intercept=True,solver="auto", normalize=False)
  • 具有l2正则化的线性回归
  • alpha:正则化力度，也叫 λ->λ取值：0~1 1~10
  • solver:会根据数据自动选择优化方法
    = sag:如果数据集、特征都比较大，选择该随机梯度下降优化
  • normalize:数据是否进行标准化
• 属性
  • Ridge.coef_:回归权重
  • Ridge.intercept_:回归偏置

1.2 RidgeCV

• sklearn.linear_model.RidgeCV(_BaseRidgeCV, RegressorMixin)
  • 具有l2正则化的线性回归，可以进行交叉验证
  • coef_:回归系数

Ridge方法相当于SGDRegressor(penalty='l2', loss="squared_loss"),只不过SGDRegressor实现了一个普通的随机梯度下降学习，推荐使用Ridge(实现了SAG)

2 代码实现

def liner_model2() :
    # 1.获取数据
    boston = load_boston()
    print(boston)
    # 2.数据处理
    # 2.1 分割数据
    x_train, x_test, y_train, y_test = train_test_split(boston.data, boston.target, test_size=0.2)
    # 3.特征工程-数据标准化
    transfer = StandardScaler()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.fit_transform(x_test)
    # 4.机器学习-线性回归(梯度下降)
    #estimator = Ridge(alpha=1.0)
    estimator = RidgeCV(alphas=(0.001,0.01,0.1,1,10,100))
    estimator.fit(x_train, y_train)

    # 5.模型评估
    y_predict = estimator.predict(x_test)
    print("预测值为:\n", y_predict)
    print("模型中的系数为:\n", estimator.coef_)
    print("模型中的偏置为:\n", estimator.intercept_)
    # 评价指标 均方误差
    error = mean_squared_error(y_test, y_predict)
    print("均方误差：\n", error)

    return None