De regularisatiesterkte aanpassen

Je huidige Lasso-model heeft een \(R^2\)-score van 84,7%. Als een model te sterk regulariseert, kan het last krijgen van hoge bias, wat de voorspellende kracht schaadt.

Laten we de balans tussen voorspellende kracht en modelsimpliciteit verbeteren door de parameter alpha te finetunen.

Deze oefening maakt deel uit van de cursus

Dimensionality Reduction in Python

Cursus bekijken

Oefeninstructies

Zoek de hoogste waarde voor alpha die een \(R^2\)-waarde boven de 98% oplevert uit de opties: 1, 0.5, 0.1 en 0.01.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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.")

Code bewerken en uitvoeren