Úprava síly regularizace
Tvůj současný model Lasso má skóre \(R^2\) 84,7 %. Pokud model používá příliš silnou regularizaci, může trpět vysokou mírou zkreslení (bias), což snižuje jeho prediktivní schopnosti.
Zlepšíme rovnováhu mezi prediktivní silou a jednoduchostí modelu upravením parametru alpha.
Toto cvičení je součástí kurzu
Redukce dimenzionality v Pythonu
Pokyny k cvičení
- Najdi nejvyšší hodnotu
alpha, při které je skóre \(R^2\) nad 98 %. Vyzkoušej tyto možnosti:1,0.5,0.1a0.01.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Find the highest alpha value with R-squared above 98%
la = Lasso(____, random_state=0)
# Fits the model and calculates performance stats
la.fit(X_train_std, y_train)
r_squared = la.score(X_test_std, y_test)
n_ignored_features = sum(la.coef_ == 0)
# Print peformance stats
print(f"The model can predict {r_squared:.1%} of the variance in the test set.")
print(f"{n_ignored_features} out of {len(la.coef_)} features were ignored.")