# 设置matplotlib参数,正确显示中文和'-'符号。
plt.rcParams.update(
{
'text.usetex': False,
'font.family': 'stixgeneral',
'mathtext.fontset': 'stix',
}
)
alpha=np.linspace(0,1,220)
intercept_dict = {}#回归系数保存在这里
for a in alpha:
result = model1.fit_regularized(L1_wt=0,alpha=a,refit=True,profile_scale=True)
###保存每次迭代的回归系数估计值
intercept_dict[a]=result.params
###lambda参数与对应的系数估计值,去掉截距项
params_l2 = pd.DataFrame(intercept_dict).T #一定要转置
params_l2=params_l2[[1,2,3]]
###行索引是alpha值,列索引是自变量名
params_l2.columns=['X1','X2','X3'] #取列名
plt.figure(figsize = (8,6)) #设置图像大小,宽12高6
###Seaborn使用行索引为X轴,每一列的数据为Y轴,绘制曲线
#列名作为示意图的标记。
sns.lineplot(data = params_l2,dashes=True)
plt.axhline(y = 0,linestyle = 'dashed',lw = 0.8,color = 'black') #绘制一条平行于x轴的直线方便观察回归系数曲线是否向0逼近
plt.xticks(alpha) #x轴的刻度值
###对X轴进行对数转换伸缩。
plt.xscale('log')#取x的对数值来变换,若不进行变换曲线就会很丑
plt.ylim(-0.2,0.8) #y轴的最小最大值
plt.xlim(0,1) #x轴的最小最大值
plt.ylabel('Coeffients',size=14) #标签
plt.xlabel('Alpha',size=14)
plt.show()