如何解析python實現(xiàn)Lasso回歸的方法

這篇文章主要介紹了如何解析python實現(xiàn)Lasso回歸的方法，具有一定借鑒價值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著大家一起了解一下。

Lasso原理

Lasso與彈性擬合比較python實現(xiàn)

import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import r2_score
#def main():
# 產(chǎn)生一些稀疏數(shù)據(jù)
np.random.seed(42)
n_samples, n_features = 50, 200
X = np.random.randn(n_samples, n_features) # randn(...)產(chǎn)生的是正態(tài)分布的數(shù)據(jù)
coef = 3 * np.random.randn(n_features)   # 每個特征對應一個系數(shù)
inds = np.arange(n_features)
np.random.shuffle(inds)
coef[inds[10:]] = 0 # 稀疏化系數(shù)--隨機的把系數(shù)向量1x200的其中10個值變?yōu)?
y = np.dot(X, coef) # 線性運算 -- y = X.*w
# 添加噪聲：零均值，標準差為 0.01 的高斯噪聲
y += 0.01 * np.random.normal(size=n_samples)
# 把數(shù)據(jù)劃分成訓練集和測試集
n_samples = X.shape[0]
X_train, y_train = X[:n_samples // 2], y[:n_samples // 2]
X_test, y_test = X[n_samples // 2:], y[n_samples // 2:]
# 訓練 Lasso 模型
from sklearn.linear_model import Lasso
alpha = 0.1
lasso = Lasso(alpha=alpha)
y_pred_lasso = lasso.fit(X_train, y_train).predict(X_test)
r2_score_lasso = r2_score(y_test, y_pred_lasso)
print(lasso)
print("r^2 on test data : %f" % r2_score_lasso)
# 訓練 ElasticNet 模型
from sklearn.linear_model import ElasticNet
enet = ElasticNet(alpha=alpha, l1_ratio=0.7)
y_pred_enet = enet.fit(X_train, y_train).predict(X_test)
r2_score_enet = r2_score(y_test, y_pred_enet)
print(enet)
print("r^2 on test data : %f" % r2_score_enet)
plt.plot(enet.coef_, color='lightgreen', linewidth=2,
     label='Elastic net coefficients')
plt.plot(lasso.coef_, color='gold', linewidth=2,
     label='Lasso coefficients')
plt.plot(coef, '--', color='navy', label='original coefficients')
plt.legend(loc='best')
plt.title("Lasso R^2: %f, Elastic Net R^2: %f"
     % (r2_score_lasso, r2_score_enet))
plt.show()

運行結(jié)果

感謝你能夠認真閱讀完這篇文章，希望小編分享的“如何解析python實現(xiàn)Lasso回歸的方法”這篇文章對大家有幫助，同時也希望大家多多支持億速云，關(guān)注億速云行業(yè)資訊頻道，更多相關(guān)知識等著你來學習!