Ridge-regularisatie
In de vorige oefening heb je lasso-regularisatie geoefend. Als je in een Machine Learning-sollicitatie wordt gevraagd naar regularisatietechnieken, zorg dan dat je het verschil tussen de twee normen kent. Lasso gebruikt de L1-norm, die hoort bij de strafparameter en de absolute waarde van de coëfficiënten. Ridge-regressie past L2-regularisatie toe, ook wel L2-norm genoemd, waarbij een strafterm wordt toegevoegd aan ordinary least squares met de strafparameter en de som van de gekwadrateerde coëfficiënten.
In deze oefening ga je regularisatie met Ridge toepassen op de diabetes-DataFrame. De feature-matrix en de target-array zijn respectievelijk als X en y in je werkomgeving opgeslagen.
Al voor je geïmporteerd zijn mean_squared_error uit sklearn.metrics en train_test_split uit sklearn.model_selection.
Deze oefening maakt deel uit van de cursus
Machine Learning-sollicitatievragen oefenen in Python
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Import modules
from sklearn.____ import ____
from sklearn.____ import ____