ridge regression與上一篇部落格中的最小二乘法相似,隻不過是後面加一個懲罰項,公式如下:
選擇資料與上文相同,隻不過換一個模型,運作結果如下:
('Coefficients: ', array([ 928.52207357]))
Residual sum of squares: 2559.32
Variance score: 0.47
代碼:
# -*- coding: utf-8 -*-
'''
Created on 2017-2-15
@author: admin
'''
import matplotlib.pyplot as plt
import numpy as np
from sklearn import datasets, linear_model
#加載資料,并且将訓練集和資料集進行分割。
diabetes = datasets.load_diabetes()
diabetes_X = diabetes.data[:, np.newaxis, 2]
diabetes_X_train = diabetes_X[:-20]
diabetes_X_test = diabetes_X[-20:]
diabetes_y_train = diabetes.target[:-20]
diabetes_y_test = diabetes.target[-20:]
# 建立訓練模型
regr = linear_model.Ridge (alpha = 0.01)
# 通過訓練資料訓練模型
regr.fit(diabetes_X_train, diabetes_y_train)
#輸出模型系數
print('Coefficients: ', regr.coef_)
# 輸出錯誤內插補點平方均值
print("Residual sum of squares: %.2f"
% np.mean((regr.predict(diabetes_X_test) - diabetes_y_test) ** 2))
# Explained variance score: 1 is perfect prediction
print('Variance score: %.2f' % regr.score(diabetes_X_test, diabetes_y_test))
# Plot outputs
plt.scatter(diabetes_X_test, diabetes_y_test, color='black')
plt.plot(diabetes_X_test, regr.predict(diabetes_X_test), color='blue',
linewidth=3)
plt.xticks(())
plt.yticks(())
plt.show()
其他屬性參數值就不詳細贅述了,大體相同,如果有需要可以去官網查閱官方文檔:
http://scikit-learn.org/0.17/modules/generated/sklearn.linear_model.Ridge.html#sklearn.linear_model.Ridge
比較通用的參數就是不斷的調整alpha值以便得到更好的結果。
由于此算法用法相對簡單,不做過多的介紹了。
如有發現錯誤處歡迎指正。
本部落格為部落客辛苦總結,如有轉載,請附原位址連結:http://blog.csdn.net/u014662865/article/details/55194199