本文共 1047 字，大约阅读时间需要 3 分钟。

sklearn之LASSO算法应用

前言： 本文介绍LASSO算法理论以及sklearn中Lasso算法如何调用和使用

一、LASSO算法和岭回归算法对比

二、sklearn中应有LASSO算法示例代码

import numpy as npfrom numpy import genfromtxtfrom sklearn import linear_model# 读取数据data = genfromtxt(r'longley.csv', delimiter=',')# 切分数据x_data = data[1:, 2:]y_data = data[1:, 1, np.newaxis]# 训练模型model = linear_model.LassoCV()model.fit(x_data, y_data)# 训练后选择的lasso系数print(model.alpha_)# 训练后线性模型参数print(model.coef_)# 预测值print(model.predict(x_data[-2, np.newaxis]))print(y_data[-2])  # 真实值

三、代码执行结果

20.03464209711722[0.10206856 0.00409161 0.00354815 0.         0.         0.        ][115.6461414][115.7]

由上面结果可知，LASSO算法会自动得到一个合适的λ值，并且其训练出的模型中有很多参数为0 ，可以认为参数为0的特征是不重要的特征，可以舍弃，进而简化模型。

四、数据下载

转载地址：https://blog.csdn.net/qq_34720818/article/details/105865215 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！