岭回归，python举例

岭回归是一种线性回归的扩展，也被称为 L2 正则化。它可以在训练过程中对权重进行约束，从而防止过拟合并提高模型的泛化能力。

在 Python 中，我们可以使用 scikit-learn 库来实现岭回归。下面是一个简单的例子：

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

# 加载波士顿房价数据集
boston = load_boston()

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(boston.data, boston.target, test_size=0.3, random_state=42)

# 创建岭回归模型
ridge = Ridge(alpha=0.5)

# 训练模型
ridge.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = ridge.predict(X_test)

# 计算均方误差
mse = mean_squared_error(y_test, y_pred)
print("均方误差:", mse)

在这个例子中，我们加载了波士顿房价数据集，并将其划分为训练集和测试集。我们创建了一个岭回归模型，并使用训练集进行训练。最后，我们在测试集上进行预测，并计算出均方误差。