sklearn 岭回归

岭回归是一种线性回归的扩展，它加入了L2正则化项来解决线性回归中的过拟合问题。在sklearn中，岭回归模型可以通过`Ridge`类来实现。

下面是一个简单的例子：

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

# 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=0.2, random_state=42)

# 岭回归模型
ridge = Ridge(alpha=1.0)

# 拟合模型
ridge.fit(X_train, y_train)

# 预测测试集
y_pred = ridge.predict(X_test)

# 计算均方误差
mse = mean_squared_error(y_test, y_pred)
print('Mean squared error:', 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。然后，我们创建了一个岭回归模型，并对其进行了拟合。最后，我们使用测试集进行预测，并计算了均方误差。