python 实现岭回归

岭回归是一种用于处理多重共线性问题的线性回归技术，可以通过加入一个正则化项来控制模型的复杂度。

在 Python 中，可以使用 Scikit-learn 库来实现岭回归。下面是一个简单的实现示例：

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

# 加载数据集
boston = load_boston()

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(boston.data, boston.target, test_size=0.2, random_state=0)

# 创建岭回归模型
ridge = Ridge(alpha=0.5)

# 训练模型
ridge.fit(X_train, y_train)

# 预测结果
y_pred = ridge.predict(X_test)

# 计算均方误差
mse = mean_squared_error(y_test, y_pred)
print("Mean squared error: %.2f" % mse)

在上面的代码中，我们首先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，我们使用 Ridge 类创建了一个岭回归模型，并将 alpha 参数设置为 0.5。接下来，我们使用训练集训练模型，并使用测试集进行预测。最后，我们计算了预测结果的均方误差。