【代码】岭回归(Ridge)-简单例子

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，以及岭回归模型的效果。

一、岭回归-代码实现-sklearn

本节展示如何用sklearn实现岭回归模型的求解。

1.1. 岭回归例子-问题与数据

现有数据以下

 以上数据的实际关系为：,等下可以回头看看求解结果是否与它一致

上面就是数据了，下面我们建立一个岭回归模型，用变量 x1,x2来预测y。

1.2. 岭回归例子-用sklearn实现

在python中，只需调用sklearn的linear_model.Ridge()函数就可以实现一个岭回归模型了。

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.bbblearn.com
"""
from sklearn import linear_model
import numpy as np

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

#调用sklearn的线性模型包，训练数据
ridge = linear_model.Ridge(alpha=1,fit_intercept=True)   # 初始化岭回归模型
ridge.fit(x,y)                                           # 模型训练

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

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~

结束语

在sklearn中只需要用linear_model.Ridge()函数就可以实现一个岭回归模型了，岭回归模型的特点就是会惩罚系数，alpha设得越大，就会对系数惩罚得越厉害，使用时需要注意这一点。