Ajustando a intensidade da regularização
Seu modelo Lasso atual tem um \(R^2\) de 84,7%. Quando um modelo aplica uma regularização forte demais, ele pode sofrer de alto viés, prejudicando seu poder preditivo.
Vamos melhorar o equilíbrio entre poder preditivo e simplicidade do modelo ajustando o parâmetro alpha.
Este exercício faz parte do curso
Redução de Dimensionalidade em Python
Instruções do exercício
- Encontre o valor mais alto de
alphaque resulte em um \(R^2\) acima de 98% dentre as opções:1,0.5,0.1e0.01.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# 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.")