使用 sklearn 进行 LASSO 回归

[复制链接]

字体大小: 正常放大

2744557306

1198 主题	4 听众	2977 积分

该用户从未签到

电梯直达

1^#

发表于 2024-3-15 11:12 |只看该作者 |倒序浏览

|招呼Ta 关注Ta

1.导入所需库：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.linear_model import Lasso, LassoCV

2.定义源数据：

df = pd.DataFrame({
   'x1': [7, 1, 11, 11, 7, 11, 3],
   'x2': [26, 29, 56, 31, 52, 55, 71],
   'y': [78.5, 74.3, 104.3, 87.6, 95.9, 109.2, 102.7],
})

创建了一个包含 x1、x2 和 y 列的 DataFrame，作为原始数据。

3.将数据转换为数组格式：

X = np.array(df[['x1', 'x2']])
y = np.array(df[['y']])

将特征和目标变量分别转换为 NumPy 数组格式。

4.遍历不同的 alpha 值，计算 Lasso 回归模型的拟合结果：

k_array = np.logspace(-4, 1.5, 100)
x1_list, x2_list = [], []
for k in k_array:
   model = Lasso(alpha=k).fit(X, y)
   x1_list.append(model.coef_[0])
   x2_list.append(model.coef_[1])

使用 Lasso 回归模型，遍历不同的正则化参数 alpha 值，计算不同 alpha 值下 x1 和 x2 的系数。

5.绘制岭迹图：

plt.scatter(k_array, x1_list)
plt.scatter(k_array, x2_list)
plt.plot(k_array, x1_list, label='x1')
plt.plot(k_array, x2_list, label='x2')
plt.legend()

使用 plt.scatter() 绘制不同 alpha 值下 x1 和 x2 的系数散点图，并使用 plt.plot() 绘制岭迹图，分别标记了 x1 和 x2 的系数曲线，并添加图例。

6.使用 LassoCV 自动选择最佳 alpha 值：

model2 = LassoCV().fit(X, y)

使用 LassoCV 进行交叉验证，自动选择最佳的正则化参数 alpha。

7.输出模型参数和评估结果：

b0 = model2.intercept_
b1, b2 = model2.coef_[0], model2.coef_[1]
print('y = {:.4f} + {:.4f}*x1 + {:.4f}*x2'.format(b0, b1, b2))
print('R_square =', model2.score(X, y))
print('k =', model2.alpha_)

输出拟合的线性模型的截距、系数以及 R_squared 值，还输出了最佳的正则化参数 alpha。
这段代码通过 Lasso 回归模型拟合了给定的数据，并展示了不同 alpha 值下的系数变化，最后选择了最佳的 alpha 值进行拟合，并输出了拟合结果和评估指标。