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：

' e+ @& W2 h9 c% f1.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。
3 g- r! c* @: R! G+ m3.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。
  i( A6 _% D. G' i& s" r. ^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。
! p9 G: O) t0 t2 H0 Y
+ G' I7 ~4 ?, g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。
  n" O/ N+ a, R$ d- d
- K- e1 J! r4 ^& r1 t) y5 V
! H% ]7 e0 g3 `) @6 _% z, n这段代码执行了以下操作：

1.导入所需库：

1.    import numpy as np
   2 j3 X) r6 k) u& A
2.    import pandas as pd2 w6 W8 @/ }, y/ D, j\" S# @7 l
   
3.    from sklearn.linear_model import LogisticRegression

复制代码

2.定义源数据：

1.    df = pd.DataFrame({
   + P, i6 q5 B; X6 m. r+ `
2.        'good': [1, 1, 0, 0, 0, 1, 1],
   ) n5 G5 M% {8 P$ g2 ?1 \
3.        'sweet': [.95, .76, .82, .57, .69, .77, .89],
   4 ^6 b, R) ?/ v( b
4.        'density': [.876, .978, .691, .745, .512, .856, 1.297],
   / `- V2 G+ w  F( J
5.        'volume': [1.85, 2.14, 1.34, 1.38, 0.67, 2.35, 1.69],( W\" Y$ y& z2 [6 N0 J% K$ r
   
6.        'quality': [2.51, 2.45, 1.34, 1.15, 1.23, 3.95, 2.67],0 C- a2 V/ `2 S, E' l  y
   
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. V  E) `7 m- ~8 M( `4 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()
   ' J- w; y; u; ]1 B\" J* `
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。
6 M. i  K2 C/ D. B1 y4 @" O9 J6 I2 u
5.提取模型参数：

1.    b0 = model.intercept_[0]  # 截距
   4 J6 S% u7 n' ^\" n& t\" D* i
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({( s% @1 _5 z8 w
   
2.        'sweet': [.5, 1],8 [2 s; w1 K' T% o/ q5 g) ^
   
3.        'density': [.5, 1],
   ) ~% y+ H) N8 p/ O0 _
4.        'volume': [.5, 2],
   . g- i9 ^7 z! B: m  p- @+ r( X/ A
5.        'quality': [.5, 2],
   ) E0 L4 m# w* l3 ^6 [' U. d
6.    })/ h& ]$ i# ~$ }3 [
   
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。
+ h$ {" ?. s! c/ [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。

; J7 e1 q& e& ]
/ [0 A: g/ u& ?5 M( m, q