Začněte nyníZačněte zdarma

Regularizovaná regrese: Ridge

Ridge regrese provádí regularizaci tak, že vypočítá druhé mocniny parametrů modelu, vynásobí je hodnotou alpha a přičte je ke ztrátové funkci.

V tomto cvičení budeš trénovat modely ridge regrese pro různé hodnoty alpha a vypisovat jejich skóre \(R^2\). K předpovídání hodnoty "sales" využiješ všechny příznaky z datasetu sales_df. Data jsou už rozdělena na X_train, X_test, y_train, y_test.

Proměnná alphas je připravena jako seznam různých hodnot alpha, přes které budeš iterovat a počítat skóre.

Toto cvičení je součástí kurzu

Supervised Learning with scikit-learn

Zobrazit kurz

Pokyny k cvičení

  • Importuj Ridge.
  • Vytvoř instanci Ridge a nastav alpha na alpha.
  • Natrénuj model na trénovacích datech.
  • Pro každou iteraci ridge vypočítej skóre \(R^2\).

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import Ridge
from ____.____ import ____
alphas = [0.1, 1.0, 10.0, 100.0, 1000.0, 10000.0]
ridge_scores = []
for alpha in alphas:
  
  # Create a Ridge regression model
  ridge = ____
  
  # Fit the data
  ____
  
  # Obtain R-squared
  score = ____
  ridge_scores.append(score)
print(ridge_scores)
Upravit a spustit kód