岭迹图的制作

# 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()