下载或者导入wave数据集，分别L1和L2使用线性回归正则化生成wave回归模型，比较不同正则化结果并绘制出该模型的预测结果，并保存模型。

目录

代码：

运行结果：

---

代码：

import mglearn
import matplotlib.pyplot as plt
from sklearn.linear_model import Lasso, Ridge
from sklearn.model_selection import train_test_split
# 导入mglearn中的wave数据集
X, y = mglearn.datasets.make_wave(n_samples=60)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)
# 设置不同的正则化项参数 alpha
alpha_values = [0.1, 1, 10]

# 绘制结果图形
plt.figure(figsize=(12, 8))

for i, alpha in enumerate(alpha_values, 1):
    # 使用L1正则化（Lasso）
    lasso = Lasso(alpha=alpha).fit(X_train, y_train)
    
    # 使用L2正则化（Ridge）
    ridge = Ridge(alpha=alpha).fit(X_train, y_train)
    
    # 绘制Lasso结果
    plt.subplot(3, 2, 2*i-1)
    plt.title(f'Lasso，alpha={alpha}')
    plt.plot(X, lasso.predict(X), label='Lasso')
    plt.scatter(X_train, y_train, marker='o', label='训练数据')
    plt.legend()
    
    # 绘制Ridge结果
    plt.subplot(3, 2, 2*i)
    plt.title(f'Ridge，alpha={alpha}')
    plt.plot(X, ridge.predict(X), label='Ridge')
    plt.scatter(X_train, y_train, marker='o', label='训练数据')
    plt.legend()

plt.tight_layout()
plt.show()

运行结果：