LoslegenKostenlos loslegen

Lasso-Regression und Wichtigkeit von Merkmalen

Im Video hast du gesehen, wie durch die Lasso-Regression wichtige Merkmale in einem Datensatz identifiziert werden können.

In dieser Übung passt du ein Lasso-Regressionsmodell an die sales_df-Daten an und erstellst ein Diagramm mit den Koeffizienten des Modells.

Die Arrays für die Merkmale und Zielvariable sind schon als X und y geladen. Gleiches gilt für die Variable sales_columns mit den Namen der Merkmale des Datensatzes.

Diese Übung ist Teil des Kurses

Überwachtes Lernen mit scikit-learn

Kurs anzeigen

Anleitung zur Übung

  • Importiere Lasso aus sklearn.linear_model.
  • Instanziiere ein Modell für die Lasso-Regression 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

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

# 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()
Code bearbeiten und ausführen