CommencerCommencer gratuitement

Régression régularisée : Crête

La régression de crête effectue une régularisation en calculant les valeurs au carré des paramètres du modèle multipliées par alpha et en les ajoutant à la fonction de perte.

Dans cet exercice, vous allez ajuster des modèles de régression de crête sur une gamme de valeurs alpha différentes et afficher leurs scores \(R^2\). Vous utiliserez toutes les caractéristiques de l’ensemble de données sales_df pour prédire "sales". Les données ont été divisées en X_train, X_test, y_train, y_test pour vous.

Une variable appelée alphas a été fournie sous forme de liste contenant différentes valeurs alpha, que vous allez parcourir en boucle pour générer des scores.

Cet exercice fait partie du cours

Apprentissage supervisé avec scikit-learn

Afficher le cours

Instructions

  • Importez Ridge.
  • Instanciez Ridge, en définissant alpha sur alpha.
  • Ajustez le modèle aux données d’apprentissage.
  • Calculez le score \(R^2\) pour chaque itération de ridge.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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)
Modifier et exécuter le code