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。
下面是岭回归的关键特点：
3 I; S6 \/ w' \! D; B
% ]4 f& g' [8 @. 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。
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。
( I) a* n, ?. g' g, h3.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。
: P  c+ v" H7 Q/ g' S4.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。
5.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。
4 }0 o5 V4 ~& W% t( ^8 }7 F' L
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。
: e3 S) L9 K* z

2 }, u; I/ V4 ~5 ^1 h: S2 n这段代码执行了以下操作：

; o8 ^3 J+ ]7 h, P" u5 p! k  n6 n& R, Y1.导入所需库：

1.    import numpy as np
   ) |5 X: n7 K' z\" v7 \
2.    import pandas as pd1 c% b6 W2 w& g  |0 o
   
3.    from sklearn.linear_model import LogisticRegression

复制代码

2.定义源数据：

1.    df = pd.DataFrame({5 c+ W8 L% ~' c5 ^% @) @5 c
   
2.        'good': [1, 1, 0, 0, 0, 1, 1],
   & ^6 b  b, w7 g5 i* ^8 x
3.        'sweet': [.95, .76, .82, .57, .69, .77, .89],
   4 W\" r( s' C4 E& {
4.        'density': [.876, .978, .691, .745, .512, .856, 1.297],
   ' ^- v; ^\" w6 Q) f, Q% r( T
5.        'volume': [1.85, 2.14, 1.34, 1.38, 0.67, 2.35, 1.69],
   $ k  F, i- w8 j# D+ t& I* y* N+ j# P
6.        'quality': [2.51, 2.45, 1.34, 1.15, 1.23, 3.95, 2.67],* P3 m6 a0 A7 ]
   
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。

3.将数据转换为数组格式：

1.    X = np.array(df[df.columns[1:]])  # 特征集6 M) N  [# v& {% ?( G& ]\" B  p
   
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()
   \" B9 h5 G6 ^, H$ }
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。

' c0 E  @; N' v$ f6 ^2 P: U5.提取模型参数：

1.    b0 = model.intercept_[0]  # 截距- T' }& t, _$ P# ~! k
   
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({; \6 I- S/ f1 E* F1 i
   
2.        'sweet': [.5, 1],1 Y3 p* t3 q* C
   
3.        'density': [.5, 1],
   9 s. k: k\" {  ~8 O8 V$ T. o
4.        'volume': [.5, 2],  }) ~5 o) E6 B+ k& O6 U+ V, }/ [
   
5.        'quality': [.5, 2],
   . a2 F, `2 K, O
6.    })0 T( b' ?, j$ p+ l$ O7 {
   
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。
$ P  U; E& g7 w" L+ T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。
* [1 T6 U9 ?) u/ H: Y& c
& r0 k' O9 d3 }  `4 |  ]
( O9 c* e' r! w" t$ P2 G8 F