本文共 723 字，大约阅读时间需要 2 分钟。

岭回归

一.什么是岭回归

之前，大体看了并了解了线性回归的东西，并在之后的学习中，大体直到了过拟合以及正则化的一些概念。需要指出的是：线性回归：Linearregression是很容易出现过拟合的。为了处理过拟合，岭回归就是一个很不错的选择。

所谓岭回归，本质上就是一个带有正则化的线性回归（其实用的是L2正则化）。是一种专用于共线性数据分析的有偏估计回归方法，实质上是一种改良的最小二乘估计法，通过放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价获得回归系数更为符合实际、更可靠的回归方法。

二.岭回归的使用

在sklearn中，为我们提供了相关的API

sklearn.linear_model.Ridgesklearn.linear_model.Ridge(alpha=1.0) #具有l2正则化的线性最小二乘法"""alpha:正则化力度coef_:回归系数"""

拿之前的波士顿房价的案例为例：我们在myLiner()函数的结尾加上：

# 岭回归去进行房价预测    rd = Ridge(alpha=1.0)    rd.fit(x_train, y_train)    #print(rd.coef_)    y_rd_predict = std_y.inverse_transform(rd.predict(x_test))    print("岭回归预测房价",y_rd_predict)    print("岭回归军方误差",mean_squared_error(std_y.inverse_transform((y_test)),y_rd_predict))

转载地址：https://blog.csdn.net/johnny_love_1968/article/details/116138547 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！