使用sklearnpython库中进行岭回归模型来预测如何获取R方值

在Python中，使用scikit-learn库进行岭回归（Ridge Regression）时，获取R方值（R-squared）通常在模型评估阶段进行。R方值衡量了模型对观测数据变异性的解释程度，其范围从0到1，越接近1表示模型拟合越好。

以下是使用`sklearn.linear_model.Ridge`进行岭回归并计算R方值的示例[^1]:

# 导入所需的库
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.linear_model import Ridge
from sklearn.metrics import r2_score

# 加载波士顿房价数据
boston = load_boston()
X = boston.data
y = boston.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建Ridge回归模型
ridge = Ridge(alpha=1.0)  # alpha参数控制正则化强度

# 训练模型
ridge.fit(X_train, y_train)

# 预测
y_pred = ridge.predict(X_test)

# 计算R方值
r2_value = r2_score(y_test, y_pred)
r2_value  # 输出R方值