Skapa en LASSO-regressor
Du kommer att arbeta med det numeriska ANSUR-datasetet med kroppsmått för att förutsäga en persons BMI (Body Mass Index) med hjälp av den förinstansierade Lasso()-regressorn. BMI är ett mått som beräknas utifrån kroppslängd och vikt, men dessa två särdrag har tagits bort från datasetet för att göra det till en utmaning för modellen.
Först standardiserar du data med hjälp av StandardScaler(), som redan har instansierats åt dig som scaler. Det säkerställer att alla koefficienter utsätts för en jämförbar regulariserande kraft som försöker minska dem.
Alla nödvändiga funktioner och klasser, samt indatadataseten X och y, har förinslästs.
Den här övningen är en del av kursen
Dimensionsreduktion i Python
Övningsinstruktioner
- Sätt teststorleken till 30 % för att få en 70/30-uppdelning i tränings- och testdata.
- Anpassa skalaren till träningssärdragens data och transformera dem i ett steg.
- Skapa Lasso-modellen.
- Träna den på de skalade träningsdata.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Set the test size to 30% to get a 70-30% train test split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=____, random_state=0)
# Fit the scaler on the training features and transform these in one go
X_train_std = scaler.____
# Create the Lasso model
la = ____()
# Fit it to the standardized training data
la.____