Python中LARS和Lasso回归之最小角算法Lars分析波士顿住房数据实例

回归算法最小角回归(LARS)通过高维数据的线性组合提供变量。

由Kaizong Ye,Weilong Zhang撰写

它与正向逐步回归有关。在这种方法中,在每个步骤中选择最相关的变量,其方向在两个预测因子之间是等角的。   

在本教程中,我们将学习如何用Python中的LARS和Lasso Lars算法拟合回归数据。我们将在本教程中估计住房数据集。这篇文章包括


  • 准备数据
  • 如何使用LARS
  • 如何使用Lasso LARS

让我们从加载所需的包开始。

准备数据

我们将加载波士顿的数据集,并将其分成训练和测试两部分。

如何使用LARS

我们将用Lars()类定义模型(有默认参数),并用训练数据来拟合它。

并检查模型的系数。

 

接下来,我们将预测测试数据并检查MSE和RMSE指标。

最后,我们将创建绘图,使原始数据和预测数据可视化。

如何使用Lasso Lars

LassoLars是LARS算法与Lasso模型的一个实现。我们将用LassoLars()类定义模型,将α参数设置为0.1,并在训练数据上拟合模型。

我们可以检查系数。

接下来,我们将预测测试数据并检查MSE和RMSE指标。

最后,我们将创建绘图,使原始数据和预测数据可视化。


R语言用LASSO,adaptive LASSO预测通货膨胀时间序列

阅读文章



随时关注您喜欢的主题


在本教程中,我们已经简单了解了如何用LARS和Lasso Lars算法来拟合和预测回归数据。

参考文献


可下载资源

关于作者

Kaizong Ye拓端研究室(TRL)的研究员。

本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。

​非常感谢您阅读本文,如需帮助请联系我们!

 
QQ在线咨询
售前咨询热线
15121130882
售后咨询热线
0571-63341498