【代码】sklearn-实现岭回归

本站原创文章，转载请说明来自《老饼讲解-机器学习》www.bbbdata.com

要实现岭回归模型，可以通过sklearn中的linear_model.Ridge函数来实现

本文展示一个使用sklearn实现岭回归模型的Demo代码，用于参考

通过本文可以掌握如何调用sklearn来实现岭回归模型，以及sklearn实现岭回归的效果

    01. 如何用sklearn实现岭回归    

本节展示如何用sklearn实现岭回归模型的求解

     问题     

现有数据以下
 
需要我们建立岭模型,用变量 x1,x2 预测y

✍️备注
 以上数据的实际关系为：   
建完模可以回头看看建模的结果与这个是否一致

   用sklearn包求解岭回归模型   

用python的sklearn实现岭回归模型，只需调用linear_model.Ridge()函数即可
 具体实现代码如下：

"""
本代码展示一个简单的sklearn实现岭回归的Demo代码
本代码来自《老饼讲解-机器学习》www.bbbdata.com
"""
from sklearn import linear_model
import numpy as np

#输入数据
x = np.array([[0, 2], [1, 1], [2,3],[3,2],[4,5],[5,2]])
y = np.array([8,7,15,14,25,18])

#调用sklearn的线性模型包，训练数据
ridge = linear_model.Ridge(alpha=1,fit_intercept=True)   # 模型实例化
ridge.fit(x,y)                                           # 模型训练

#输出模型系数和阈值
print("当前alpha:"+str(ridge.alpha))
print("模型参数："+str(ridge.coef_))
print("模型阈值："+str(ridge.intercept_))

代码运行结果如下：
        
可以看到，模型的权重比真实关系的2,3略小，这是因为岭回归中加入了系数的惩罚

好了，以上就是利用sklearn实现一个岭回归模型的DEMO代码了~

 End