06线性回归衍生算法
2023-12-13 15:35:30
目录:
ridge算法
lasso算法
elastic-Net算法?
from sklearn.linear_model import Ridge
from sklearn.linear_model import SGDRegressor, LinearRegression
from sklearn.linear_model import Lasso
import numpy as np
# 1. Ridge 岭回归
# 生成随机数据
X = np.random.rand(100, 5)
w = np.random.randint(1, 10, size=(5, 1))
b = np.random.randint(1, 100, size=1)
y = X.dot(w) + b + np.random.randint(1, 100)
# 使用 Ridge 岭回归模型
ridge = Ridge(alpha=0.1, solver='sag')
ridge.fit(X, y)
# 打印岭回归模型的系数和截距
print("Ridge 岭回归模型系数:", ridge.coef_)
print("Ridge 岭回归模型截距:", ridge.intercept_)
# 打印真实的 W 和 b
print('真实 W,b:', w, b)
# 使用 SGDRegressor 随机梯度下降算法
sgd = SGDRegressor(penalty="l2", alpha=0)
sgd.fit(X, y)
print('SDG 算法系数:')
print(sgd.coef_)
print('SDG 算法截距:')
print(sgd.intercept_)
# 2. Lasso 套索回归
# 使用 Lasso 套索回归模型
lasso = Lasso(alpha=0.5)
lasso.fit(X, y)
# 打印 Lasso 套索回归模型的系数和截距
print("Lasso 套索回归模型系数:", lasso.coef_)
print("Lasso 套索回归模型截距:", lasso.intercept_)
# 3. ElasticNet 弹性网络
文章来源:https://blog.csdn.net/zzqtty/article/details/134972212
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。 如若内容造成侵权/违法违规/事实不符,请联系我的编程经验分享网邮箱:veading@qq.com进行投诉反馈,一经查实,立即删除!
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。 如若内容造成侵权/违法违规/事实不符,请联系我的编程经验分享网邮箱:veading@qq.com进行投诉反馈,一经查实,立即删除!