Ridge- und Lasso-Regularisierung
Overfitting mit Straftermmen bändigen
Ridge- und Lasso-Regularisierung ist eine kostenlose Data Science Academy-Lektion auf CoddyKit. Dies ist Lektion 2 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Data Science Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Data Science Academy-Kurs umfasst insgesamt 4 Lektionen.
Wenn eine Linie überangepasst wird
Eine einfache lineare Regression kann dem Rauschen folgen und riesige Koeffizienten entwickeln, die zwar zu den Trainingsdaten passen, aber bei neuen Daten versagen. Diese Falle heißt Overfitting. 😬
Eine Strafe hinzufügen
Regularisierung behebt dies, indem sie große Koeffizienten bestraft. Das Modell wägt nun die Anpassung an die Daten gegen kleine Gewichte ab.
Ridge verkleinert Gewichte
Ridge bestraft die quadrierte Größe der Koeffizienten. Es zieht jedes Gewicht in Richtung null, setzt aber nur selten eines exakt auf null.
from sklearn.linear_model import Ridge
model = Ridge(alpha=1.0).fit(X, y)Lasso kann sie auf null setzen
Lasso bestraft stattdessen die absolute Größe. Dadurch können schwache Koeffizienten vollständig auf null sinken, sodass die entsprechenden Merkmale entfallen.
from sklearn.linear_model import Lasso
model = Lasso(alpha=0.1).fit(X, y)Lasso wählt Merkmale aus
Da Lasso schwache Gewichte auf null setzt, dient es zugleich der Merkmalsauswahl. Die verbleibenden Koeffizienten ungleich null sind die Merkmale, die das Modell als nützlich erkannt hat.
Alpha bestimmt die Stärke
Der Parameter alpha steuert, wie stark die Strafe wirkt. Ein höherer Alpha-Wert bedeutet eine stärkere Schrumpfung und ein einfacheres, glatteres Modell.
Zu viel Alpha führt zu Underfitting
Wenn Sie alpha zu hoch setzen, schrumpfen die Koeffizienten so stark, dass das Modell echte Signale ignoriert. Dieser entgegengesetzte Fehler heißt Underfitting.
Vor der Bestrafung skalieren
Strafen vergleichen Koeffizienten direkt, daher müssen die Merkmale zunächst dieselbe Skalierung haben. Standardisieren Sie Ihre Daten, sonst trifft die Strafe Merkmale mit großen Einheiten unverhältnismäßig stark.
from sklearn.preprocessing import StandardScalerRidge oder Lasso?
Verwenden Sie Ridge, wenn die meisten Merkmale ein wenig beitragen, und Lasso, wenn Sie vermuten, dass viele nutzlos sind und ein sparsames, schlankes Modell wünschen.
ElasticNet kombiniert beide
Sie können sich nicht entscheiden? ElasticNet kombiniert die Strafen von Ridge und Lasso und bietet gleichzeitig Schrumpfung und das Entfernen einiger Merkmale.
from sklearn.linear_model import ElasticNetMit Kreuzvalidierung abstimmen
Raten Sie alpha niemals von Hand. Testen Sie einen Wertebereich und wählen Sie den Wert, der auf zurückgehaltenen Folds bei der Kreuzvalidierung den besten Score erzielt.
from sklearn.linear_model import RidgeCVSchnelltest
Ein entscheidender Unterschied trennt diese beiden Modelle in der Praxis.
Zusammenfassung
Regularisierung bändigt Overfitting: Ridge verkleinert Gewichte, Lasso kann sie auf null setzen, und alpha bestimmt die Stärke. Skalieren Sie zuerst und stimmen Sie anschließend ab. 🎯
Lerne Python mit einem KI-Tutor — kostenlos
Schreibe und führe echten Code in deinem Browser aus, bekomme sofortige Hilfe von einem 24/7 KI-Tutor und setze dein Lernen im Web oder in der App fort.
- Kurse
- 30
- Lektionen
- 120
Häufig gestellte Fragen
Ist die Lektion „Ridge- und Lasso-Regularisierung“ kostenlos?
Ja — der vollständige Text von „Ridge- und Lasso-Regularisierung“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Data Science Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Data Science Academy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Ridge- und Lasso-Regularisierung“?
Overfitting mit Straftermmen bändigen Du übst Data Science Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um Data Science Academy zu starten?
Keine Vorkenntnisse erforderlich. Data Science Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 2 von 4.
Wie lange dauert die Lektion „Ridge- und Lasso-Regularisierung“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser Data Science Academy-Lektion Code schreiben und ausführen?
Ja. Jede Data Science Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Lineare Regression erneut betrachtet
- Ridge- und Lasso-Regularisierung
- Entscheidungsbaum-Regression
- Random Forest für Regression