1.3 线性回归-Lasso回归

最新推荐文章于 2024-08-11 02:06:50 发布

Maro_13th

最新推荐文章于 2024-08-11 02:06:50 发布

阅读量335

点赞数

分类专栏： PYTHON机器学习算法

本文链接：https://blog.csdn.net/Maro_13th/article/details/80161913

版权

PYTHON机器学习算法专栏收录该内容

5 篇文章 0 订阅

订阅专栏

本文介绍了一个使用Python的Scikit-learn库实现Lasso回归的实际案例。通过加载糖尿病数据集并进行训练测试集划分，展示了如何调整参数以实现Lasso回归模型，并评估了模型的系数、截距、残差平方和及得分。

摘要由CSDN通过智能技术生成

线性回归-Lasso回归

# -*- coding: utf-8 -*-
"""
auhtor:Marco
algorithm name :Lasso Regression
"""
print (__doc__)
import  numpy as np
from sklearn import cross_validation,linear_model,datasets

def load_data():
    diabets = datasets.load_diabetes()
    return  cross_validation.train_test_split(diabets.data,diabets.target,train_size=0.75,random_state=0)

def test_Lasso(*data):
    X_train,X_test,y_train,y_test = data
    regr = linear_model.Ridge(alpha=0.01)     #参数调整的位置
    regr.fit(X_train,y_train)
    print('Coefficient %s,intercept %2.f' %(regr.coef_,regr.intercept_))
    print('Residual sum of squares: %2.f' % np.mean((regr.predict(X_test)-y_test)**2))
    print ('Score %2.f' % regr.score(X_test,y_test))

if __name__ =="__main__":
    X_train, X_test, y_train, y_test = load_data()
    test_Lasso(X_train,X_test,y_train,y_test)