sklearn.linear_model インポートリッジ から sklearn.preprocessing インポートStandardScalerを から sklearn.svm インポートSVC から sklearn.tree インポートDecisionTreeClassifier、export_graphviz から IPython.display インポート表示 インポートPLTのようmatplotlib.pyplot インポートのNPとしてnumpyの インポートのMTとしてmatplotlibの インポートPDとしてパンダ sklearn.decompositionの輸入PCA から sklearn.datasetsのインポートload_breast_cancer から sklearn.model_selectionのインポートtrain_test_split RND = np.random.RandomState（0） X_org = rnd.normal（サイズ=（1000 3 ）） W = rnd.normal（サイズ= 3 ） X = rnd.poisson（10 * np.exp（X_org）） Y = np.dot（X_org、W） プリント（" 特徴出現回数：\ N {} " .format（np.bincount（X [:, 0]））） 。X_train、X_test、y_train、android.permission.FACTOR = Train_test_split（X、Y、random_state = 0） ＃リッジ回帰検証テストスコアが スコア= リッジ（）フィット（X_train、y_train）.score（X_test、android.permission.FACTOR。）。 プリント（「リッジテストのスコア： {：} .3f " .format（音楽）） X_train_log = np.log（X_train + 1 ） X_test_log = np.log（X_test + 1 ） スコア = リッジ（）フィット（X_train_log、y_train）.score（X_test_log、y_test）。 プリント（" テストスコア：{：.3f} " .format（スコア））
リッジのテストスコア：0.622
テストのスコア：0.875
対数変換により、一般に増加する連続的な値を鋸引きする際に使用されます。