本文共 2110 字，大约阅读时间需要 7 分钟。

LinearRegression,RidgeCV,LassoCV,ElasticNetCV各自使用场景

概念：

#线性回归的目的是要得到输出向量Y和输入特征X之间的线性关系,求出线性回归系数θ，也就是Y=Xθ, 其中Y的维度为m x 1,X的维度为 m x n，而θ的维度为 n x 1, m代表样本个数, n代表样本特征的维度

使用场景：

1. LinearRegression：只要数据线性相关，LinearRegression是我们的首选,如果发现拟合或者预测的不够好，再考虑其他的线性回归库

Pipeline([                      ('poly', PolynomialFeatures()),                      ('linear', LinearRegression(fit_intercept=False))                ])

LinearRegression 损失函数

2. RidgeCV（岭回归）：只要数据线性相关，用LinearRegression拟合的不是很好，需要正则化，可以考虑使用RidgeCV回归, 如何输入特征的维度很高,而且是稀疏线性关系的话， RidgeCV就不太合适,考虑使用Lasso回归类家族

a为超参数 alphas=np.logspace(-3, 2, 50) 从给定的超参数a中选择一个最优的,logspace用于创建等比数列 本例中 开始点为10的-3次幂,结束点10的2次幂,元素个数为   50,并且从这50个数中选择一个最优的超参数   linspace创建等差数列   Ridge回归中超参数a和回归系数θ的关系,a越大，正则项惩罚的就越厉害，得到的回归系数θ就越小,最终趋近与0   如果a越小,即正则化项越小，那么回归系数θ就越来越接近于普通的线性回归系数

Pipeline([                    ('Poly', PolynomialFeatures()),                    ('Linear', RidgeCV(alphas= np.logspace(-3, 2, 50), fit_intercept=False))                ]),

RidgeCV（岭回归）损失函数

3. LassoCV：Lasso回归可以使得一些特征的系数变小,甚至还使一些绝对值较小的系数直接变为0，从而增强模型的泛化能力
   使用场景:对于高纬的特征数据,尤其是线性关系是稀疏的，就采用Lasso回归,或者是要在一堆特征里面找出主要的特征，那么 Lasso回归更是首选了

a为超参数 alphas=np.logspace(-3, 2, 50) 从给定的超参数a中选择一个最优的,logspace用于创建等比数列 本例中 开始点为10的-3次幂,结束点10的2次幂,元素个数为  50,并且从这50个数中选择一个最优的超参数  linspace创建等差数列  Ridge回归中超参数a和回归系数θ的关系,a越大，正则项惩罚的就越厉害，得到的回归系数θ就越小,最终趋近与0  如果a越小,即正则化项越小，那么回归系数θ就越来越接近于普通的线性回归系数

Pipeline([                    ('Poly', PolynomialFeatures()),                    ('Linear', LassoCV(alphas=np.logspace(-3,2,50), fit_intercept=False))            ]),

LassoCV 损失函数

4. ElasticNetCV：对超参数a和p使用交叉验证，帮助我们选择合适的a和p
   使用场景:ElasticNetCV类在我们发现用Lasso回归太过(太多特征被稀疏为0),而Ridge回归也正则化的不够(回归系数衰减太慢)的时候

alphas=np.logspace(-3, 2, 50), l1_ratio=[.1, .5, .7, .95,  1] ElasticNetCV会从中选出最优的 a和p  Pipeline([                    ('Poly', PolynomialFeatures()),                    ('Linear', ElasticNetCV(alphas= np.logspace(-3, 2, 50), l1_ratio=[.1, .5, .7, .95, 1], fit_intercept=False))            ])

ElasticNetCV 损失函数

转载地址：https://blog.csdn.net/qq_30868737/article/details/108365491 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！