Ajustar la intensidad de la regularización
Tu modelo Lasso actual tiene una puntuación de \(R^2\) del 84,7%. Cuando un modelo aplica una regularización demasiado fuerte puede sufrir un sesgo alto, lo que perjudica su capacidad predictiva.
Vamos a mejorar el equilibrio entre capacidad predictiva y simplicidad del modelo ajustando el parámetro alpha.
Este ejercicio forma parte del curso
Reducción de dimensionalidad en Python
Instrucciones del ejercicio
- Encuentra el valor más alto de
alphaque dé un \(R^2\) por encima del 98% entre las opciones:1,0.5,0.1y0.01.
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# Find the highest alpha value with R-squared above 98%
la = Lasso(____, random_state=0)
# Fits the model and calculates performance stats
la.fit(X_train_std, y_train)
r_squared = la.score(X_test_std, y_test)
n_ignored_features = sum(la.coef_ == 0)
# Print peformance stats
print(f"The model can predict {r_squared:.1%} of the variance in the test set.")
print(f"{n_ignored_features} out of {len(la.coef_)} features were ignored.")