LoslegenKostenlos loslegen

Regularisierte Regression: Ridge

Die Ridge-Regression führt eine Regularisierung durch, indem sie die quadrierten Werte der Modellparameter multipliziert mit Alpha berechnet und zur Verlustfunktion addiert.

In dieser Übung passt du Ridge-Regressionsmodelle für verschiedene Alpha-Werte an und gibst ihre \(R^2\)-Werte aus. Du verwendest alle Merkmale des sales_df-Datensatzes, um "sales" vorherzusagen. Die Daten wurden bereits in X_train, X_test, y_train und y_test aufgeteilt.

Die Variable alphas ist eine Liste mit verschiedenen Alpha-Werten, die du in einer Schleife durchläufst, um die Ergebnisse zu ermitteln.

Diese Übung ist Teil des Kurses

Überwachtes Lernen mit scikit-learn

Kurs anzeigen

Anleitung zur Übung

  • Importiere Ridge.
  • Instanziiere Ridge und setze Alpha gleich alpha.
  • Passe das Modell an die Trainingsdaten an.
  • Berechne den \(R^2\)-Wert für jede Iteration von ridge.

Interaktive Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# 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)
Code bearbeiten und ausführen