Régularisation Ridge et Lasso
Maîtriser le surajustement grâce aux pénalités
Régularisation Ridge et Lasso est une leçon Data Science Academy gratuite sur CoddyKit. Ceci est la leçon 2 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Data Science Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Data Science Academy comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
When a Line Overfits
Plain linear regression can chase noise, growing huge coefficients that fit training data yet fail on new data. That trap is called overfitting. 😬
Add a Penalty
Regularization fixes this by adding a penalty for large coefficients. The model now balances fitting the data against keeping weights small.
Ridge Shrinks Weights
Ridge penalizes the squared size of the coefficients. It pulls every weight toward zero but rarely makes any exactly zero.
from sklearn.linear_model import Ridge
model = Ridge(alpha=1.0).fit(X, y)Lasso Can Zero Them Out
Lasso penalizes the absolute size instead. This can drive weak coefficients all the way to zero, dropping those features entirely.
from sklearn.linear_model import Lasso
model = Lasso(alpha=0.1).fit(X, y)Lasso Selects Features
Because Lasso zeroes weak weights, it doubles as feature selection. The surviving non-zero coefficients are the ones it found useful.
Alpha Sets the Strength
The alpha knob controls how hard the penalty pushes. Bigger alpha means stronger shrinkage and a simpler, smoother model.
Too Much Alpha Underfits
Crank alpha too high and coefficients shrink so far the model ignores real signal. That opposite mistake is called underfitting.
Scale Before You Penalize
Penalties compare coefficients directly, so features must share a scale first. Standardize your data or the penalty hits big-unit features unfairly.
from sklearn.preprocessing import StandardScalerRidge or Lasso?
Use Ridge when most features help a little, and Lasso when you suspect many are useless and want a sparse, lean model.
ElasticNet Blends Both
Can't decide? ElasticNet mixes the Ridge and Lasso penalties, giving you shrinkage and some feature dropping at the same time.
from sklearn.linear_model import ElasticNetTune With Cross-Validation
Never guess alpha by hand. Try a range and pick the value that scores best on held-out folds with cross-validation.
from sklearn.linear_model import RidgeCVQuick Check
One key difference sets these two apart in practice.
Recap
Regularization tames overfitting: Ridge shrinks weights, Lasso can zero them, and alpha sets the strength. Scale first, then tune. 🎯
Questions Fréquemment Posées
La leçon « Régularisation Ridge et Lasso » est-elle gratuite ?
Oui — le texte complet de « Régularisation Ridge et Lasso » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Data Science Academy, passe à CoddyKit PRO. Le cours Data Science Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Régularisation Ridge et Lasso » ?
Maîtriser le surajustement grâce aux pénalités Tu pratiques Data Science Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Data Science Academy ?
Aucune expérience préalable n'est requise. Data Science Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 2 sur 4.
Combien de temps prend la leçon « Régularisation Ridge et Lasso » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Data Science Academy ?
Oui. Chaque leçon Data Science Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Revisiter la régression linéaire
- Régularisation Ridge et Lasso
- Régression par arbre de décision
- Forêt aléatoire pour la régression