用sklearn实现线性回归和岭回归

此文为ai创作，今天写文章的时候发现创作助手限时免费，想测试一下，于是就有了这篇文章，看的出来，效果还可以，一行没改。

线性回归

在sklearn中，可以使用线性回归模型做多变量回归。下面是一个示例：

假设我们有以下数据集，其中X是输入特征，y是输出：

X = [[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]
y = [6, 15, 24, 33]

我们可以使用sklearn中的LinearRegression模型来训练一个多变量线性回归模型：

python">from sklearn.linear_model import LinearRegression

# 创建线性回归模型对象
model = LinearRegression()

# 训练模型
model.fit(X, y)

# 预测
new_X = [[2, 4, 6], [3, 5, 7]]
predictions = model.predict(new_X)
print(predictions)

输出：

[ 9. 12.]

这样，我们就得到了一个多变量回归模型，并使用新数据进行了预测。

岭回归

岭回归是一种线性回归算法，它通过L2正则化来解决过拟合问题。在sklearn中，可以使用Ridge类来实现岭回归。

下面是一个简单的例子：

python">from sklearn.linear_model import Ridge
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

# 加载数据集
boston = load_boston()
X = boston.data
y = boston.target

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 实例化岭回归模型，设置 alpha 值
ridge = Ridge(alpha=1.0)

# 训练模型
ridge.fit(X_train, y_train)

# 预测
y_pred = ridge.predict(X_test)

# 评估模型
mse = mean_squared_error(y_test, y_pred)
print("MSE:", mse)

在以上代码中，通过使用load_boston函数加载波士顿房价数据集，使用train_test_split将数据集拆分为训练集和测试集。然后，使用Ridge实例化岭回归模型，并将alpha值设置为1。最后，使用fit方法训练模型并使用predict方法进行预测。

以上是一个简单的岭回归实现。你可以根据自己的需要调整alpha值和其他参数来提高模型的性能。