使用 sklearn 进行岭回归

2744557306

岭回归是一种用于处理多重共线性数据的线性回归技术，它通过对系数施加惩罚来限制模型的复杂性。这个惩罚项是通过添加一个正则化参数（通常表示为 λ 或 alpha）与系数向量的 L2 范数的平方成比例来实现的。岭回归的优化目标是最小化残差平方和和正则化项之和。
9 t; M5 L& x4 |5 x9 W6 a下面是岭回归的关键特点：

6 Y) ], f1 x1 {* A3 @1 o. Q" g1.正则化项： 岭回归通过添加一个惩罚项来约束模型的系数，使其不要过大，从而避免过拟合。这个惩罚项由正则化参数控制，它越大，惩罚效果越强，系数越趋向于零。
6 |8 |1 K% a1 G2 }2.解决多重共线性： 当特征之间存在高度相关性时，普通的线性回归模型可能会变得不稳定，导致系数估计不准确。岭回归通过对系数的大小进行限制，能够更好地应对多重共线性问题。
3.超参数调优： 岭回归有一个关键的超参数，即正则化参数（λ 或 alpha）。这个参数需要根据数据集进行调优，通常使用交叉验证来选择最佳的正则化参数，以在训练数据上获得最佳的模型性能。
7 Q0 I& d7 o) E1 {; r. i# Y& G( P4.稳定性： 与普通的线性回归相比，岭回归对数据中的噪声更加稳健，能够产生更加稳定和可靠的系数估计。
" b8 R5 W2 O. R5.不可解性： 与普通的线性回归不同，岭回归没有封闭形式的解析解，需要使用数值优化方法来求解。

总的来说，岭回归是一种强大的线性回归技术，特别适用于处理高维数据集或存在多重共线性的数据。
: S% I+ r! d5 y6 }
0 G9 _/ ~, @% Z  q) ~# T; v$ y7 r
这段代码执行了以下操作：

' R& Q6 w5 B- o$ m0 M+ g3 W1.导入所需库：

1.    import numpy as np
   ! j# i8 |/ m! a% t' ^
2.    import pandas as pd
   2 a7 |7 Z' e3 U5 {( R2 V5 d6 A
3.    from sklearn.linear_model import LogisticRegression

复制代码

2.定义源数据：

1.    df = pd.DataFrame({
   / R9 ]* d  u' P& j1 Z9 t
2.        'good': [1, 1, 0, 0, 0, 1, 1],; u; ]8 C8 v2 @' Q: O- f  O. |
   
3.        'sweet': [.95, .76, .82, .57, .69, .77, .89],
   : S3 r7 t: K8 u: m
4.        'density': [.876, .978, .691, .745, .512, .856, 1.297],
   : G6 @9 M$ X- r7 N7 Y9 \9 b+ B. Q) N
5.        'volume': [1.85, 2.14, 1.34, 1.38, 0.67, 2.35, 1.69],+ }$ ~7 ], g/ N2 a) t# z- A( `
   
6.        'quality': [2.51, 2.45, 1.34, 1.15, 1.23, 3.95, 2.67],
   1 Q! _& f  i; t6 J, m' {; W( A* o5 h+ N
7.    })

复制代码

创建了一个包含特征和标签的 DataFrame，其中 good 列是标签，表示样本是否好。

/ ?) r1 `- A0 C: Q7 A" M3.将数据转换为数组格式：

1.    X = np.array(df[df.columns[1:]])  # 特征集
   ) Y3 i( X! b: M
2.    y = np.array(df['good'])           # 标签集

复制代码

4.建立逻辑回归模型并拟合数据：

1.    model = LogisticRegression()6 V5 q. F% t( w! V1 u. {
   
2.    model.fit(X, y)

复制代码

使用 LogisticRegression 创建了逻辑回归模型，并使用 fit() 方法拟合了数据。
" n! L* k' y7 T& o/ p
5.提取模型参数：

1.    b0 = model.intercept_[0]  # 截距
   ! L  p5 |0 L% i9 J
2.    b1, b2, b3, b4 = model.coef_[0][0], model.coef_[0][1], model.coef_[0][2], model.coef_[0][3]  # 系数

复制代码

6.进行预测：

1.    df2 = pd.DataFrame({
   1 z, o, n& t2 g' [4 E7 u
2.        'sweet': [.5, 1],
   ( b3 P1 ]! G! I! u1 G  I4 p, R
3.        'density': [.5, 1],
   & L7 `6 v; S: p4 b, G* o8 @! u: t
4.        'volume': [.5, 2],2 Z% W& r& h' x9 @& ^% g6 Y
   
5.        'quality': [.5, 2],
     p3 d2 {& A8 \2 K; b
6.    })8 C. {2 ?. Z% p7 \, C/ f; X& W4 J
   
7.    model.predict(np.array(df2))

复制代码

使用训练好的模型进行预测，预测了两个新样本的好坏标签。
% b* P$ y6 o; {7 T( I% Q$ y通过这段代码，你可以使用逻辑回归模型对给定的数据进行分类，并进行新样本的预测。

* x$ d; i! b9 W0 D2 G