【sklearn】线性模型比较

sklearn 中可以用到线性模型有: LinearRegression、Ridge、Lasso

1 Ridge

Ridge 是 添加了 L2 正则化的模型

在拟合过程中通常都倾向于让权值尽可能小，最后构造一个所有参数都比较小的模型。
因为一般认为参数值小的模型比较简单，能适应不同的数据集，也在一定程度上避免了过拟合现象。

可以设想一下对于一个线性回归方程，若参数很大，那么只要数据偏移一点点，就会对结果造成很大的影响；但如果参数足够小，数据偏移得多一点也不会对结果造成什么影响，专业一点的说法是『抗扰动能力强』

把系数绘图出来

model = Ridge().fit(train_X, train_y_ln)
print('intercept:'+ str(model.intercept_))
sns.barplot(abs(model.coef_), continuous_feature_names)

2 Lasso

Lasso 是添加了 L1 正则化的模型

L1正则化有助于生成一个稀疏权值矩阵，进而可以用于特征选择。

参考：https://tianchi.aliyun.com/notebook-ai/detail?spm=5176.12586969.1002.24.1cd8593aLNK3uJ&postId=95460