笔者介绍
曾经担任零售企业项目负责人，负责企业数据化转型，数据化管理；曾经服务中国移动，负责客服部门产品举荐模型组组长；现于某金融投资公司大数据中心，负责风控数据建设，风控建模工作。在除了工作外，也喜欢在DC、DF、天池、Kaggle参加一些竞赛。机器学习方面，有一定经验，愿与各位分享我的所见所闻所想，与各位共同进步。文章源自微观生活（93wg.com）微观生活-https://93wg.com/23309.html
背景文章源自微观生活（93wg.com）微观生活-https://93wg.com/23309.html
本节是上一节的补充，长话短说正式开始。文章源自微观生活（93wg.com）微观生活-https://93wg.com/23309.html
工具：python文章源自微观生活（93wg.com）微观生活-https://93wg.com/23309.html
数据：sklearn boston数据集文章源自微观生活（93wg.com）微观生活-https://93wg.com/23309.html
回归对照文章源自微观生活（93wg.com）微观生活-https://93wg.com/23309.html
加载包文章源自微观生活（93wg.com）微观生活-https://93wg.com/23309.html
import numpy as npimport pandas as pdimport matplotlib.pyplot as plt from sklearn.datasets import load_boston 文章源自微观生活（93wg.com）微观生活-https://93wg.com/23309.html
boston = load_boston()data = boston[\'data\'] 文章源自微观生活（93wg.com）微观生活-https://93wg.com/23309.html
切分数据集文章源自微观生活（93wg.com）微观生活-https://93wg.com/23309.html
from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test = train_test_split(train,tag,test_size=0.3)
Lasso回归
训练模型
from sklearn.linear_model import Lasso,LassoCVlasso_model = Lasso(alpha=0)lasso_model.fit(X_train,y_train)lasso_model.intercept_
常数项
34.96418799738776
系数项
lasso_model.coef_
array([-1.19919178e-01, 5.72987550e-02, -5.72944321e-04, 3.10733953e+00,
-1.54141456e+01, 3.34103546e+00, 6.82197295e-03, -1.60447015e+00,
2.87849366e-01, -1.12510494e-02, -8.29993838e-01, 1.23529187e-02,
-5.54979548e-01])
R2得分
lasso_model.score(X_test,y_test)
0.7581409138375204
预测
predict_lasso = lasso_model.predict(X_test)岭回归
训练模型
from sklearn.linear_model import Ridge,RidgeCVRidge_model = RidgeCV([0.1, 1.0, 10.0])Ridge_model.fit(X_train,y_train)
常数项
Ridge_model.intercept_
36.10541844785573
系数项
Ridge_model.coef_
array([-1.20871429e-01, 5.71935816e-02, 4.56938008e-03, 3.23235488e+00,
-1.70457702e+01, 3.34022188e+00, 7.95820534e-03, -1.63737973e+00,
2.88983931e-01, -1.09687243e-02, -8.50817455e-01, 1.22566062e-02,
-5.51318511e-01])
R2得分
Ridge_model.score(X_test,y_test)
0.7578494354278809
预测
predict_Ridge = Ridge_model.predict(X_test)线性回归
训练模型
from sklearn.linear_model import LinearRegressionreg_model = LinearRegression()reg_model.fit(X_train,y_train)
常数项
reg_model.intercept_
37.31595301702461
系数项
reg_model.coef_
array([-1.21569065e-01, 5.71104425e-02, 1.05894959e-02, 3.24822330e+00,
-1.85287339e+01, 3.31408142e+00, 9.40444349e-03, -1.66164006e+00,
2.90832366e-01, -1.07740018e-02, -8.71234048e-01, 1.21634944e-02,
-5.49911287e-01])
R2得分
reg_model.score(X_test,y_test)
0.7575118129530991
预测
predict_reg = reg_model.predict(X_test)
从R2结果看，此次预测岭回归以及Lasso回归的效果略好过线性回归，然而差距不显明。抽取20各点查看，拟合结果在真实值左近，三个模型的拟合结果差距不大。
线性回归结果：
线性回归
Lasso回归结果：
lasso回归
岭回归结果：
岭回归
以上就是微观生活（93wg.com）关于“机器学习系列-岭回归&Lasso回归实例”的详细内容，希望对大家有所帮助！
评论