说明:这是一个机器学习实战项目(附带数据+代码+文档+视频讲解),如需数据+代码+文档+视频讲解可以直接到文章最后获取。
1.项目背景
L1正则化线性回归分析模型是一个线性模型,用于执行L1正则化的线性回归分析。Lasso(Least Absolute Shrinkage and Selection Operator)是一种估计稀疏系数的线性回归方法,它通过添加一个惩罚项到最小二乘损失函数中来达到模型选择和参数估计的目的。
Lasso的主要特点:
1)正则化:
Lasso使用L1范数作为正则化项,即对模型权重向量的绝对值之和进行约束。相比于Ridge回归(L2正则化),Lasso倾向于产生稀疏解,也就是说在最优解中某些特征的系数会直接变为零。这具有特征选择的效果,可以自动从大量特征中筛选出真正影响目标变量的重要特征。
2)收缩效应:
通过对权重施加惩罚,Lasso能够压缩不重要的特征权重,对于高度相关的特征,Lasso会选择其中一个特征的系数为非零而其他相关特征的系数趋于零,从而解决了多重共线性问题。
3)参数alpha:
alpha是正则化强度的超参数,控制着正则化项在总损失函数中的相对重要性。增大alpha会增加正则化力度,可能导致更多特征的系数被压缩至零。
本项目通过Lasso回归算法来构建L1正则化线性回归分析模型。
2.数据获取
本次建模数据来源于网络(本项目撰写人整理而成),数据项统计如下:
编号 | 变量名称 | 描述 |
1 | x1 | |
2 | x2 | |
3 | x3 | |
4 | x4 | |
5 | x5 | |
6 | x6 | |
7 | x7 | |
8 | x8 | |
9 | x9 | |
10 | x10 | |
11 | y | 因变量 |
数据详情如下(部分展示):
3.数据预处理
3.1 用Pandas工具查看数据
使用Pandas工具的head()方法查看前五行数据:
关键代码:
3.2 数据缺失查看
使用Pandas工具的info()方法查看数据信息:
从上图可以看到,总共有11个变量,数据中无缺失值,共2000条数据。
关键代码:
3.3 数据描述性统计
通过Pandas工具的describe()方法来查看数据的平均值、标准差、最小值、分位数、最大值。
关键代码如下:
4.探索性数据分析
4.1 y变量直方图
用Matplotlib工具的hist()方法绘制直方图:
从上图可以看到,y变量主要集中在-400~400之间。
4.2 相关性分析
从上图中可以看到,数值越大相关性越强,正值是正相关、负值是负相关。
5.特征工程
5.1 建立特征数据和标签数据
关键代码如下:
5.2 数据集拆分
通过train_test_split()方法按照80%训练集、20%测试集进行划分,关键代码如下:
6.构建Lasso回归模型
主要使用Lasso回归算法,用于目标回归。
6.1 构建模型
编号 | 模型名称 | 参数 |
1 | Lasso回归模型 | alpha=0.1 |
6.2 模型预测
关键代码如下:
7.模型评估
7.1 评估指标及结果
评估指标主要包括可解释方差值、平均绝对误差、均方误差、R方值等等。
模型名称 | 指标名称 | 指标值 |
测试集 | ||
Lasso回归模型 | R方 | 1.0 |
均方误差 | 0.3075 | |
可解释方差值 | 1.0 | |
平均绝对误差 | 0.4445 |
从上表可以看出,R方为1.0,说明模型效果较好。
关键代码如下:
7.2 真实值与预测值对比图
从上图可以看出真实值和预测值波动基本一致。
8.结论与展望
综上所述,本文采用了Lasso算法来构建L1正则化线性回归分析模型,最终证明了我们提出的模型效果良好。此模型可用于日常产品的预测。
# 本次机器学习项目实战所需的资料,项目资源如下:
# 项目说明:
# 获取方式一:
# 项目实战合集导航:
https://docs.qq.com/sheet/DTVd0Y2NNQUlWcmd6?tab=BB08J2
# 获取方式二:
链接:https://pan.baidu.com/s/1DN3vQBxWJUlZj7xA3rO_AQ
提取码:1s98