Erste SchritteKostenlos loslegen

Lasso-Regression für die Bedeutung von Merkmalen

Im Video hast du gesehen, wie die Lasso-Regression verwendet werden kann, um wichtige Merkmale in einem Datensatz zu identifizieren.

In dieser Übung passt du ein Lasso-Regressionsmodell an die Daten von sales_df an und stellst die Koeffizienten des Modells dar.

Die Arrays für die Merkmale und Zielvariablen wurden als X und y vorgeladen, zusammen mit sales_columns, wo die Namen der Merkmale des Datensatzes enthalten sind.

Diese Übung ist Teil des Kurses

Überwachtes Lernen mit scikit-learn

Kurs anzeigen

Anleitung zur Übung

  • Importiere Lasso von sklearn.linear_model.
  • Instanziiere einen Lasso-Regressor mit Alpha gleich 0.3.
  • Passe das Modell an die Daten an.
  • Berechne die Koeffizienten des Modells und speichere sie als lasso_coef.

Interaktive Übung zum Anfassen

Probieren Sie diese Übung aus, indem Sie diesen Beispielcode ausführen.

# Import Lasso
from ____.____ import ____

# Instantiate a lasso regression model
lasso = ____

# Fit the model to the data
____

# Compute and print the coefficients
lasso_coef = ____
print(lasso_coef)
plt.bar(sales_columns, lasso_coef)
plt.xticks(rotation=45)
plt.show()
Bearbeiten und Ausführen von Code