Kom igångKom igång gratis

Regulariserad regression: Ridge

Ridge-regression utför regularisering genom att beräkna de kvadrerade värdena för modellparametrarna, multiplicera dem med alpha och lägga till dem i förlustfunktionen.

I den här övningen anpassar du ridge-regressionsmodeller över ett antal olika alpha-värden och skriver ut deras \(R^2\)-poäng. Du använder alla särdrag i datamängden sales_df för att förutsäga "sales". Data har redan delats upp i X_train, X_test, y_train och y_test.

En variabel kallad alphas finns tillgänglig som en lista med olika alpha-värden som du loopar igenom för att generera poängen.

Den här övningen är en del av kursen

Övervakad inlärning med scikit-learn

Visa kurs

Övningsinstruktioner

  • Importera Ridge.
  • Skapa en instans av Ridge och sätt alpha till alpha.
  • Anpassa modellen till träningsdatan.
  • Beräkna \(R^2\)-poängen för varje iteration av ridge.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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)
Redigera och kör kod