เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

ปรับความแรงของ Regularization

โมเดล Lasso ที่ใช้อยู่ตอนนี้มีคะแนน \(R^2\) อยู่ที่ 84.7% เมื่อโมเดลใช้ Regularization ที่แรงเกินไป อาจเกิด High Bias ซึ่งส่งผลให้ความสามารถในการพยากรณ์ลดลง

มาปรับสมดุลระหว่างประสิทธิภาพการพยากรณ์และความเรียบง่ายของโมเดลด้วยการปรับพารามิเตอร์ alpha กัน

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การลดมิติข้อมูลใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • หาค่า สูงสุด ของ alpha ที่ยังให้ค่า \(R^2\) เกิน 98% จากตัวเลือกต่อไปนี้: 1, 0.5, 0.1 และ 0.01

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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.")
แก้ไขและรันโค้ด