Justera regulariseringsstyrkan
Din nuvarande Lasso-modell har ett \(R^2\)-värde på 84,7 %. När en modell tillämpar alltför kraftig regularisering kan den drabbas av hög bias, vilket försämrar dess prediktiva förmåga.
Förbättra balansen mellan prediktiv förmåga och modellens enkelhet genom att justera parametern alpha.
Den här övningen är en del av kursen
Dimensionsreduktion i Python
Övningsinstruktioner
- Hitta det högsta värdet för
alphasom ger ett \(R^2\)-värde över 98 % bland alternativen:1,0.5,0.1och0.01.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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.")