python lasso回归分析_解析python实现Lasso回归「建议收藏」

Lasso原理

Lasso与弹性拟合比较python实现

import numpy as np

import matplotlib.pyplot as plt

from sklearn.metrics import r2_score

#def main():

# 产生一些稀疏数据

np.random.seed(42)

n_samples, n_features = 50, 200

X = np.random.randn(n_samples, n_features) # randn(…)产生的是正态分布的数据

coef = 3 * np.random.randn(n_features) # 每个特征对应一个系数

inds = np.arange(n_features)

np.random.shuffle(inds)

coef[inds[10:]] = 0 # 稀疏化系数–随机的把系数向量1×200的其中10个值变为0

y = np.dot(X, coef) # 线性运算 — y = X.*w

# 添加噪声：零均值，标准差为 0.01 的高斯噪声

y += 0.01 * np.random.normal(size=n_samples)

# 把数据划分成训练集和测试集

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:]

# 训练 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)

# 训练 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()

运行结果

总结

以上所述是小编给大家介绍的python实现Lasso回归,希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对网站的支持！

如果你觉得本文对你有帮助，欢迎转载，烦请注明出处，谢谢！