Ridge和lasso回归实现的一个小案例

最新推荐文章于 2025-07-01 13:28:50 发布

原创

最新推荐文章于 2025-07-01 13:28:50 发布 · 7.4k 阅读

8 ·

CC 4.0 BY-SA版权

文章标签：

#asso和ridge实现 #argsort #train_test_split #GridSearchCV

该博客通过一个产品销量与TV、radio、newspaper投入量相关性的案例，介绍了Ridge和Lasso回归的实现。使用了train_test_split进行数据划分，并利用GridSearchCV进行参数调优。然而，GridSearchCV对于大数据集可能效率较低。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

来自于邹博机器学习第七期第九课中的内容：简单介绍就是一个产品的销量sales与TV、radio、newspaper三个投入量之间的关系。

直接上代码：

import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.model_selection import train_test_split,GridSearchCV
from sklearn.linear_model import Lasso, Ridge

其中train_test_split是将数据进行分割为训练集和测试集，GridSearchCV它存在的意义就是自动调参，只要把参数输进去，就能给出最优化的结果和参数。但是这个方法适合于小数据集，一旦数据的量级上去了，很难得出结果。

if __name__ == "__main__":
    # pandas读入
    data = pd.read_csv('E:\\code\\Advertising.csv')
    # print(data)
    x = data[['TV', 'Radio', 'Newspaper']]
    # x = data[['TV', 'Radio']]