Machine Learning | 机器学习简介

Machine Learning | (1) Scikit-learn与特征工程

Machine Learning | (2) sklearn数据集与机器学习组成

Machine Learning | (3) Scikit-learn的分类器算法-k-近邻

Machine Learning | (4) Scikit-learn的分类器算法-逻辑回归

Machine Learning | (5) Scikit-learn的分类器算法-朴素贝叶斯

Machine Learning | (6) Scikit-learn的分类器算法-性能评估

Machine Learning | (7) Scikit-learn的分类器算法-决策树(Decision Tree）

Machine Learning | (8) Scikit-learn的分类器算法-随机森林（Random Forest）

Machine Learning | (9) 回归算法-线性回归

Machine Learning | (10) 回归算法-岭回归

回归算法之岭回归

具有L2正则化的线性最小二乘法。岭回归是一种专用于共线性数据分析的有偏估计回归方法，实质上是一种改良的最小二乘估计法，通过放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价获得回归系数更为符合实际、更可靠的回归方法，对病态数据的拟合要强于最小二乘法。当数据集中存在共线性的时候，岭回归就会有用。

sklearn.linear_model.Ridge

      class sklearn.linear_model.Ridge(alpha=1.0, fit_intercept=True, normalize=False, copy_X=True, max_iter=None, tol=0.001, solver='auto', random_state=None)**
       """
       :param alpha:float类型，正规化的程度
       """
  
 

      from sklearn.linear_model import Ridge
      clf = Ridge(alpha=1.0)
      clf.fit([[0, 0], [0, 0], [1, 1]], [0, .1, 1]))
  
 

方法

score(X, y, sample_weight=None)

clf.score()

 

属性

coef_

      clf.coef_
      array([ 0.34545455,  0.34545455])
  
 

intercept_

      clf.intercept_
      0.13636...
  
 

案例分析

      def linearmodel():
      """
       线性回归对波士顿数据集处理
       :return: None
       """
      # 1、加载数据集
       ld = load_boston()
       x_train,x_test,y_train,y_test = train_test_split(ld.data,ld.target,test_size=0.25)
      # 2、标准化处理
      # 特征值处理
       std_x = StandardScaler()
       x_train = std_x.fit_transform(x_train)
       x_test = std_x.transform(x_test)
      # 目标值进行处理
       std_y  = StandardScaler()
       y_train = std_y.fit_transform(y_train)
       y_test = std_y.transform(y_test)
      # 3、估计器流程
      # LinearRegression
       lr = LinearRegression()
       lr.fit(x_train,y_train)
      # print(lr.coef_)
       y_lr_predict = lr.predict(x_test)
       y_lr_predict = std_y.inverse_transform(y_lr_predict)
       print("Lr预测值：",y_lr_predict)
      # SGDRegressor
       sgd = SGDRegressor()
       sgd.fit(x_train,y_train)
      # print(sgd.coef_)
       y_sgd_predict = sgd.predict(x_test)
       y_sgd_predict = std_y.inverse_transform(y_sgd_predict)
       print("SGD预测值：",y_sgd_predict)
      # 带有正则化的岭回归
       rd = Ridge(alpha=0.01)
       rd.fit(x_train,y_train)
       y_rd_predict = rd.predict(x_test)
       y_rd_predict = std_y.inverse_transform(y_rd_predict)
       print(rd.coef_)
      # 两种模型评估结果
       print("lr的均方误差为：",mean_squared_error(std_y.inverse_transform(y_test),y_lr_predict))
       print("SGD的均方误差为：",mean_squared_error(std_y.inverse_transform(y_test),y_sgd_predict))
       print("Ridge的均方误差为：",mean_squared_error(std_y.inverse_transform(y_test),y_rd_predict))
      return None
  
 

文章来源: drugai.blog.csdn.net，作者：DrugAI，版权归原作者所有，如需转载，请联系作者。

原文链接：drugai.blog.csdn.net/article/details/104321088