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。
4 g& g8 j" S9 }( i9 }1 r" y下面是岭回归的关键特点：

1.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。
1 ]' h/ t% m! `5 _* d. x3.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。
4.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。
% R8 q) e$ t- ]# G* P5.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。
$ ?* l* T9 i( ]) Y7 ?8 D! T

' {$ L; r1 C: M3 }7 ^. h' \$ o这段代码执行了以下操作：

1.导入所需库：

1.    import numpy as np' Y\" V4 k\" E5 D; c
   
2.    import pandas as pd
   5 V0 m\" a4 z: U! ~0 f& F' d
3.    from sklearn.linear_model import LogisticRegression

复制代码

2.定义源数据：

1.    df = pd.DataFrame({9 Q2 J2 w: _* ^* y( H; Q5 Y
   
2.        'good': [1, 1, 0, 0, 0, 1, 1],% M\" ]! k6 P5 Q& U( z! m  J' K9 C
   
3.        'sweet': [.95, .76, .82, .57, .69, .77, .89],# Z, _) u1 r) {6 g, T: r3 ?
   
4.        'density': [.876, .978, .691, .745, .512, .856, 1.297],1 l, ^, C$ W3 Z* |# V\" F! m
   
5.        'volume': [1.85, 2.14, 1.34, 1.38, 0.67, 2.35, 1.69],/ I2 @* [; \. v
   
6.        'quality': [2.51, 2.45, 1.34, 1.15, 1.23, 3.95, 2.67],
   - e; T! C\" x$ C) H0 v3 O
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。
, m9 O- m  h! Q  E
3.将数据转换为数组格式：

1.    X = np.array(df[df.columns[1:]])  # 特征集
   # T) J4 M! v: G6 X8 a1 Q/ e: z
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 I/ `; f  P2 ~% x: T# O
   
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。
& r9 Q5 U- J" U
5.提取模型参数：

1.    b0 = model.intercept_[0]  # 截距
   2 j- t8 {4 X( l, N. v6 P
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({2 [* v0 V8 I9 S
   
2.        'sweet': [.5, 1],/ k& B% |* r2 L7 y0 n% X9 G3 G
   
3.        'density': [.5, 1],4 j+ ?7 ~\" Q. `
   
4.        'volume': [.5, 2],5 g5 R' v4 D\" D& h7 {' W
   
5.        'quality': [.5, 2],% H+ U2 z( e% F/ v
   
6.    })3 L, l( h0 k$ ]& A
   
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。
6 a/ J4 r  K& g8 D7 {  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。


+ ^6 ~; F/ {% t5 t