Ridge-Regularisierung
In der letzten Übung hast du Lasso-Regularisierung angewendet. Wenn du in einem Machine-Learning-Interview nach Regularisierungstechniken gefragt wirst, solltest du den Unterschied zwischen den beiden Normen kennen. Lasso verwendet die L1-Norm, die sich auf den Strafparameter und den Absolutwert der Koeffizienten bezieht. Ridge-Regression führt L2-Regularisierung durch (auch L2-Norm genannt) und fügt der gewöhnlichen kleinsten Quadrate-Schätzung einen Strafterm hinzu, der den Strafparameter und die Summe der quadrierten Koeffizienten nutzt.
In dieser Übung übst du die Regularisierung mit Ridge am DataFrame diabetes. Die Merkmalsmatrix und das Zielarray sind als X bzw. y in deinem Workspace gespeichert.
Bereits für dich importiert sind mean_squared_error aus sklearn.metrics und train_test_split aus sklearn.model_selection.
Diese Übung ist Teil des Kurses
<Kurs>ML-Vorstellungsgespräche in Python üben</Kurs>Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Import modules
from sklearn.____ import ____
from sklearn.____ import ____