简单线性回归Lasso的应用及画图（三）

本文链接：https://blog.csdn.net/a857553315/article/details/97049906

上篇提到了Ridge，表现很好，避免了过拟合的情况，本文使用的模型是Lasso模型，就是在损失函数中加入了L1正则项，函数表达式如下：

代码如下：

import numpy as np
from sklearn.linear_model import LassoCV
from sklearn.preprocessing import PolynomialFeatures
import matplotlib.pyplot as plt
from sklearn.pipeline import Pipeline
from sklearn.exceptions import ConvergenceWarning
import matplotlib as mpl
mpl.rcParams['font.sans-serif'] = [u'simHei']
mpl.rcParams['axes.unicode_minus'] = False

import warnings

warnings.filterwarnings(action='ignore', category=ConvergenceWarning)
np.random.seed(0)
np.set_printoptions(linewidth=1000)
N = 7
x = np.linspace(0, 6, N) +  0.5 * np.random.randn(N)
x = np.sort(x)
y = x ** 2 - 4 * x - 3 +  2 * np.random.randn(N)
x.shape = -1, 1 # 将一维转换成二维
y.shape = -1, 1

model = Pipeline([('poly', PolynomialFeatures()), ('linear', LassoCV(alphas=np.logspace(-3, 1, 50), 
                                                                     fit_intercept=False))])
np.set_printoptions(suppress=True)
plt.figure(figsize=(15, 12), facecolor='w')
d_pool = np.arange(1, N, 1)  # 阶
m = d_pool.size
    
title = 'Lasso回归'
plt.figure(figsize=(10, 8), facecolor='w')
plt.plot(x, y, 'ro', ms=20, zorder=N)
for i, d in enumerate(d_pool):
    print()
    model.set_params(poly__degree=d)
    model.fit(x, y.ravel())
    lin = model.get_params('linear')['linear']
    output = '%s：%d阶，系数为：' % (title, d)
    if hasattr(lin, 'alpha_'):
        idx = output.find('系数')
        output = output[:idx] + ('alpha=%.6f，' % lin.alpha_) + output[idx:]
    
    print(output, lin.coef_.ravel()) # 权重向量
    x_hat = np.linspace(x.min() - 1 , x.max() + 1, num=100)
    x_hat.shape = -1, 1
    y_hat = model.predict(x_hat)
    s = model.score(x, y)
    print('预测性能得分（R2）：', s, '\n')
    
    z = N - 1 if (d == 2) else 0 
    # z是下面画图中的zorder参数的值，是指该线在图中的级别，数值越大，级别越高，
    # 在多线交叉时会显示在最上面，也就是会压住其他的线显示在最前面，这里是设置二阶拟合的级别最高
    label = '%d阶，$R^2$=%.3f' % (d, s)
    plt.plot(x_hat, y_hat, lw=5, alpha=1, label=label, zorder=z)

plt.legend(loc='upper left', facecolor='w', edgecolor='blue', fontsize='xx-large')
plt.grid(True)
plt.title(title, fontsize=18)
plt.xlabel('X', fontsize=16)
plt.ylabel('Y', fontsize=16)

plt.tight_layout(1, rect=(0, 0, 1, 0.95)) 
# tight_layout会自动调整子图参数，调整子图之间的间隔来减少堆叠，使之填充整个图像区域。
plt.suptitle('多项式曲线拟合比较', fontsize=22)
plt.show()

结果如下：

Lasso回归：1阶，alpha=0.409492，系数为： [-9.40044346  2.70249959]
预测性能得分（R2）： 0.8223147303876452 


Lasso回归：2阶，alpha=0.281177，系数为： [-3.67532658 -2.70171287  0.82158722]
预测性能得分（R2）： 0.9832461646064593 


Lasso回归：3阶，alpha=3.906940，系数为： [-0.         -0.         -0.54013885  0.13101959]
预测性能得分（R2）： 0.6874609149073186 


Lasso回归：4阶，alpha=10.000000，系数为： [-0.         -0.         -0.         -0.07023922  0.01833554]
预测性能得分（R2）： 0.6211160583873003 


Lasso回归：5阶，alpha=0.868511，系数为： [-0.36937929 -3.18728576 -0.          0.19377276  0.00562143 -0.00247015]
预测性能得分（R2）： 0.9359952950972081 


Lasso回归：6阶，alpha=1.264855，系数为： [-0.         -2.76007908 -0.02129468  0.08959993  0.02364026 -0.00090978 -0.00031803]
预测性能得分（R2）： 0.90503176902897

画出的图形如下：