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。
2 H3 }& ?) ?: L$ t, m5 @8 S下面是岭回归的关键特点：

0 M) j5 x# S) j# u2 k1.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。
. d6 q. E& R* s% E2 [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。
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。
9 l2 g% V* G7 x5 Y# ~  _! g5.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。
( W* f% \  y5 f4 p3 r- Z

这段代码执行了以下操作：

1.导入所需库：

1.    import numpy as np( n9 z% o0 ]) s3 N! H7 ~' X# X
   
2.    import pandas as pd
   - O  `7 ^; J! N\" \( Q. u- h
3.    from sklearn.linear_model import LogisticRegression

复制代码

2.定义源数据：

1.    df = pd.DataFrame({: |  q2 @' ^) @& W\" {\" j& v
   
2.        'good': [1, 1, 0, 0, 0, 1, 1],
   . J% u- \+ l7 D4 C6 L\" \, r5 p5 S
3.        'sweet': [.95, .76, .82, .57, .69, .77, .89],
   . Y# O% I8 h: X: e
4.        'density': [.876, .978, .691, .745, .512, .856, 1.297],: [+ U- b0 b8 q: U; Y! D
   
5.        'volume': [1.85, 2.14, 1.34, 1.38, 0.67, 2.35, 1.69],
   2 [4 X3 V7 n( D$ k\" A( ]
6.        'quality': [2.51, 2.45, 1.34, 1.15, 1.23, 3.95, 2.67],9 b% l/ o) c3 u# \# ?9 ^  ]
   
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。
" `4 g, O" e: P/ O8 f6 g) V
3.将数据转换为数组格式：

1.    X = np.array(df[df.columns[1:]])  # 特征集
   7 ^( P' v* f) f4 g; Z; e
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()
   * j0 x% z1 L4 W2 @; c- ~
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。
9 t( ^% I5 Y- E9 _4 J& {, l8 H8 d
: c& T3 }2 g+ G4 Z/ q$ y. m5.提取模型参数：

1.    b0 = model.intercept_[0]  # 截距1 F3 I8 E4 ?2 e; {2 e
   
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 Z1 V3 k6 t2 }. t' u0 w1 S  H
   
2.        'sweet': [.5, 1],
   / M1 R, T, A$ D4 j8 `  N
3.        'density': [.5, 1],
   ; b' C# {! I  S# s3 d/ y$ q: p. p
4.        'volume': [.5, 2],
   9 z- d( N3 J! x( m4 V
5.        'quality': [.5, 2],
   ) K6 Q; m- K% x
6.    })
   # e( n  L2 g% O+ o( J1 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。
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。