回帰分析～リッジ回帰～

こんにちは！EMです^^

今回はリッジ回帰について取り上げたいと思います。

リッジ回帰とは、大きな係数を防ぐために正則化を実装します。

リッジ回帰のコスト関数は次のとおりです。

また変な記号がでてきましたね。

λ（Lambda）というのは正則化の項です。

この働きによって、βの値が大きい場合はペナルティが課せられます。

気になる方は、この概念についてよくまとまってる記事があるので

ぜひ見てみてください。

（英語さえ苦でなければ、2分で読める記事だそうです^^;）https://towardsdatascience.com/l1-and-l2-regularization-methods-ce25e7fc831c

scikit-learnではRidgefunctionを使い、このように実装されます。

RidgeReg = sk.linear_model.Ridge(alpha=5000)

 

RidgeReg.fit(df[top_feats],df['price'])

 

RidgeReg.score(df[top_feats],df['price'])

 

RidgeReg.coef_

 

max(RidgeReg.coef_)

 

max(regfit.coef_) 

# このコードにより、最大係数がOLSモデルから抑えられていることが分かります

 

 

実装結果については、今回は割愛しています。

ご自身のデータと当てはめて、どの様に機能するのかぜひ試してみてくださいね！

 

 

 

 

ちなみに皆様に朗報です！

私今まで知らなかったんですが、CodeCampさんが無料で5回分無料レッスンを

されているらしいです、、、！

私が他のオンラインスクールで機械学習のコースを受講した際は

グループレッスンで約２倍のお値段を払ったので

完全マンツーマンでこのお値段は超良心的だなと思います。。。

ぜひ気になる方は無料体験もされてるみたいなので、一度WEBサイトを見てみてくださいね。

データ分析は時代が変化しても、必ず重宝される分野だと思っているので

プロから基礎を学ぶのは、本当に超効率的な自己投資だと思います。

 

 

 

 

短いですが、今回はここまでです。

 

また次回おたのしみに～^^