优化岭回归参数（Optimizing the ridge regression parameter）

最新推荐文章于 2024-06-26 23:12:54 发布

Handsome coder

最新推荐文章于 2024-06-26 23:12:54 发布

阅读量1.1k

点赞数

文章标签：机器学习

本文链接：https://blog.csdn.net/liaozhaocong/article/details/116402858

版权

本文通过两个实例探讨岭回归参数的优化过程。在例子1中，利用make_regression生成包含相关自变量的数据集，通过RidgeCV进行交叉验证找到最佳alpha值。在例子2中，进一步探讨了参数调整的方法。

摘要由CSDN通过智能技术生成

一、例子1

![在这里插入图片描述](https://img-blog.csdnimg.cn/20210504173647148.png
首先用make_regression建一个有3个自变量的数据集，但是其秩为2，因此3个自变量中有两个自变量存在相关性。

from sklearn.datasets import make_regression 
import numpy as np
reg_data, reg_target = make_regression(n_samples=100, n_features=2, effective_rank=1, noise=10)
#n_features：特征数(自变量个数)；n_samples=100样本数；effective_rank=秩为1
from sklearn.linear_model import RidgeCV  #岭回归交叉验证
rcv = RidgeCV(alphas=np.array([.1, .2

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Handsome coder

关注关注

0
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
优化岭回归参数（Optimizing the ridge regression parameter）

一、例子1from sklearn.datasets import make_regression import numpy as npreg_data, reg_target = make_regression(n_samples=100, n_features=2, effective_rank=1, noise=10)#n_features：特征数(自变量个数)；n_samples=100样本数；from sklearn.linear_model import RidgeCV #岭回归交
复制链接

扫一扫