เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

Regularized Regression: Ridge

Ridge regression ทำการ regularization โดยคำนวณค่า กำลังสอง ของพารามิเตอร์โมเดล คูณด้วย alpha แล้วบวกเข้าไปใน loss function

ในแบบฝึกหัดนี้ คุณจะ fit โมเดล ridge regression ด้วยค่า alpha ที่แตกต่างกันหลายค่า และแสดงค่า \(R^2\) ของแต่ละโมเดล โดยใช้ฟีเจอร์ทั้งหมดในชุดข้อมูล sales_df เพื่อพยากรณ์ "sales" ข้อมูลถูกแบ่งเป็น X_train, X_test, y_train, y_test ให้เรียบร้อยแล้ว

มีตัวแปรชื่อ alphas เตรียมไว้เป็น list ที่บรรจุค่า alpha ต่าง ๆ ซึ่งคุณจะวนลูปผ่านค่าเหล่านี้เพื่อคำนวณคะแนน

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Supervised Learning ด้วย scikit-learn

ดูคอร์ส

คำแนะนำการฝึกหัด

  • นำเข้า Ridge
  • สร้าง instance ของ Ridge โดยกำหนด alpha เท่ากับ alpha
  • Fit โมเดลกับข้อมูลชุด training
  • คำนวณค่า \(R^2\) ในแต่ละรอบของการวนลูป ridge

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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)
แก้ไขและรันโค้ด