Zacznij terazZacznij za darmo

Regresja regularyzowana: Ridge

Regresja grzbietowa (Ridge) przeprowadza regularyzację, obliczając kwadratowe wartości parametrów modelu pomnożone przez alpha i dodając je do funkcji straty.

W tym ćwiczeniu dopasowujesz modele regresji grzbietowej dla różnych wartości alpha i wyświetlasz ich wyniki \(R^2\). Do przewidywania "sales" wykorzystasz wszystkie cechy ze zbioru danych sales_df. Dane zostały już podzielone na X_train, X_test, y_train, y_test.

Zmienna alphas zawiera listę różnych wartości alpha, po których będziesz iterować, aby wygenerować wyniki.

To ćwiczenie jest częścią kursu

Nadzorowane uczenie maszynowe z scikit-learn

Zobacz kurs

Instrukcje do ćwiczenia

  • Zaimportuj Ridge.
  • Utwórz instancję Ridge, ustawiając alpha równe alpha.
  • Dopasuj model do danych treningowych.
  • Oblicz wynik \(R^2\) dla każdej iteracji ridge.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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)
Edytuj i uruchom kod