scikit-learn學習：嶺回歸，ridge regression

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