岭回归与sklearn模型的保存与加载

岭回归与sklearn模型的保存与加载

岭回归

带有正则化的线性回归–岭回归

API:sklearn.linear_model.Ridge

语法：

sklearn.linear_model.Ridge(alpha=1.0)

具有L2正则化的线性最小二乘法

alpha:正则化力度

coef_:回归系数

正则化程度的变化，对结果的影响：正则化力度越大，权重越接近于0

Ridge优点：

岭回归得到的回归系数更符合实际，更可靠。另外能让估计参数的波动范围变小，变的更稳定。在存在病态数据（异常数据）偏多的研究中有较大的实用价值。

案例–波士顿房价数据案例----接线性回归分析

# 3.使用岭回归进行预测
rd = Ridge(alpha=1.0)
rd.fit(x_train, y_train)
print("岭回归求解方式回归系数为：", rd.coef_)
y_rd_predict = std_y.inverse_transform(rd.predict(x_test))
print("使用岭回归预测的房子价格：", y_rd_predict)
print("岭回归方式的均方误差为：", mean_squared_error(std_y.inverse_transform(y_test), y_rd_predict))

sklearn模型的保存与加载

保存和加载API:

import joblib   
# 保存---格式为pkl
joblib.dump(rd,'test.pkl')
# 加载
estimator = joblib.load('test.pkl')