Dostosowywanie siły regularyzacji
Twój obecny model Lasso osiąga wynik \(R^2\) na poziomie 84,7%. Zbyt silna regularyzacja może prowadzić do wysokiego obciążenia modelu, obniżając jego zdolność predykcyjną.
Popraw równowagę między mocą predykcyjną a prostotą modelu, dostosowując parametr alpha.
To ćwiczenie jest częścią kursu
Redukcja wymiarowości w Pythonie
Instrukcje do ćwiczenia
- Znajdź najwyższą wartość
alpha, przy której \(R^2\) przekracza 98%, spośród następujących opcji:1,0.5,0.1i0.01.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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.")