岭回归代码python

岭回归（Ridge Regression）是一种在线性回归中防止过拟合的方法，它通过添加一个L2正则化项来约束模型参数。在Python中，我们可以使用sklearn库中的Ridge模块来实现。以下是一个简单的岭回归代码示例：

from sklearn.linear_model import Ridge
import numpy as np

# 假设我们有一个二维数据集和对应的标签
X = np.random.rand(100, 5)  # 100个样本，5个特征
y = np.random.rand(100)  # 100个标签

# 初始化岭回归模型
ridge_reg = Ridge(alpha=0.5)  # alpha是正则化强度，0.5是预设的值

# 拟合模型
ridge_reg.fit(X, y)

# 预测新数据
new_data = np.random.rand(1, 5)
prediction = ridge_reg.predict(new_data)

# 打印模型参数
print("模型参数: ", ridge_reg.coef_)

在这个例子中：
- `X`是特征矩阵，`y`是目标变量。
- `Ridge(alpha=0.5)`创建了一个岭回归模型，`alpha`参数控制正则化的强度，越大越倾向于简单模型。
- `fit()`方法用于拟合训练数据。
- `predict()`方法用于对新的数据进行预测。
- `coef_`属性返回模型的系数，即每个特征对响应变量的影响程度。

如果你对其他参数设置或具体如何应用岭回归有疑问，可以告诉我，我会进一步解释。相关问题包括：

1. 什么是L2正则化，它如何防止过拟合？
2. 如何调整岭回归的正则化强度α？
3. 岭回归和Lasso回归有什么区别？