Regolare l'intensità della regolarizzazione
L'attuale modello Lasso ha un punteggio \(R^2\) dell'84,7%. Quando un modello applica una regolarizzazione troppo forte può soffrire di elevato bias, riducendo la sua capacità predittiva.
Miglioriamo l'equilibrio tra potere predittivo e semplicità del modello regolando il parametro alpha.
Questo esercizio fa parte del corso
Riduzione della dimensionalità in Python
Istruzioni dell'esercizio
- Trova il valore più alto di
alphache produce un valore di \(R^2\) superiore al 98% tra le opzioni:1,0.5,0.1e0.01.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# 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.")