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。