python岭回归作图

在Python中，你可以使用`scikit-learn`库来进行岭回归，并使用`Matplotlib`库来进行图形绘制。以下是一个使用这两个库进行岭回归和作图的示例代码：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import Ridge
from sklearn.metrics import mean_squared_error

# 生成一些示例数据
np.random.seed(42)
X = np.random.rand(100, 1) * 10
y = 2 * X + np.random.randn(100, 1)

# 定义一系列的岭参数值
alphas = [0.01, 0.1, 1, 10]

# 绘制岭迹图
coefs = []
for alpha in alphas:
    ridge = Ridge(alpha=alpha)
    ridge.fit(X, y)
    coefs.append(ridge.coef_)
    
plt.plot(alphas, coefs)
plt.xscale('log')
plt.xlabel('alpha')
plt.ylabel('Coefficients')
plt.title('Ridge Trace Plot')
plt.show()

# 选择最优岭参数并绘制岭系数图
best_alpha = alphas[np.argmin(np.mean(np.square(coefs), axis=1))]
ridge_best = Ridge(alpha=best_alpha)
ridge_best.fit(X, y)
    
plt.bar(range(len(ridge_best.coef_)), ridge_best.coef_.flatten())
plt.xlabel('Feature Index')
plt.ylabel('Coefficient Value')
plt.title('Ridge Coefficient Plot')
plt.show()

# 绘制岭路径图
n_alphas = 200
alphas = np.logspace(-10, 2, n_alphas)
coefs_path = []
for alpha in alphas:
    ridge = Ridge(alpha=alpha)
    ridge.fit(X, y)
    coefs_path.append(ridge.coef_.flatten())

plt.plot(alphas, coefs_path)
plt.xscale('log')
plt.xlabel('alpha')
plt.ylabel('Coefficients')
plt.title('Ridge Path Plot')
plt.show()

这段代码首先生成一些示例数据，然后使用`Ridge`类进行岭回归。通过循环遍历不同的岭参数值，分别绘制岭迹图、岭系数图和岭路径图。最后使用`plt.show()`函数显示图形。

请注意，这只是一个简单的示例，你需要根据你的具体数据和需求进行相应的修改。希望这个示例能对你有帮助！如果还有其他问题，请随时提问。