大家好，又见面了，我是你们的朋友全栈君。
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！
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/137742.html原文链接：https://javaforall.net
![SMO算法最通俗易懂的解释[通俗易懂]](https://javaforall.net/wp-content/uploads/2020/11/2020110817443450-480x300.jpg)
