岭回归正则化参数调整的代码

岭回归是一种常用的线性回归正则化方法，通过引入L2正则化项来控制模型复杂度，避免过拟合。岭回归的主要参数是正则化参数alpha，alpha越大，正则化效果越强，模型的复杂度越低。

在scikit-learn中，可以使用Ridge类来进行岭回归，其中alpha通过参数alpha来进行调整。下面是一个简单的岭回归正则化参数调整的代码示例：

from sklearn.linear_model import Ridge
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import GridSearchCV
import numpy as np

# 生成数据集
np.random.seed(0)
n_samples, n_features = 100, 10
X = np.random.randn(n_samples, n_features)
y = np.random.randn(n_samples)

# 定义岭回归模型
ridge = Ridge()

# 定义调参范围
param_grid = {'alpha': [0.001, 0.01, 0.1, 1, 10, 100]}

# 定义GridSearchCV对象
grid_search = GridSearchCV(ridge, param_grid, cv=5, scoring='neg_mean_squared_error')

# 模型训练
grid_search.fit(X, y)

# 输出最佳参数
print("Best parameter: ", grid_search.best_params_)

# 输出最佳模型得分
print("Best score: ", -grid_search.best_score_)

在上面的代码中，我们首先生成了一个随机数据集，然后定义了一个Ridge模型和参数调整范围。接着，我们通过GridSearchCV对象进行模型训练和参数调整，并输出最佳参数和最佳模型得分。在这个例子中，我们使用了5折交叉验证来评估模型效果，使用均方误差（MSE）作为评价指标。