Regularisasi Ridge dan Lasso
Mengendalikan overfitting dengan penalti
Regularisasi Ridge dan Lasso adalah pelajaran Data Science Academy gratis di CoddyKit. Ini adalah pelajaran 2 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Data Science Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Data Science Academy mencakup 4 pelajaran total.
Ketika Garis Mengalami Overfitting
Regresi linear biasa dapat mengejar derau dengan menghasilkan koefisien yang sangat besar. Model memang cocok dengan data pelatihan, tetapi gagal pada data baru. Jebakan itu disebut overfitting. 😬
Tambahkan Penalti
Regularisasi mengatasi hal ini dengan menambahkan penalti untuk koefisien yang besar. Model kemudian menyeimbangkan kecocokan terhadap data dengan menjaga bobot tetap kecil.
Ridge Mengecilkan Bobot
Ridge memberikan penalti berdasarkan kuadrat ukuran koefisien. Metode ini menarik setiap bobot mendekati nol, tetapi jarang membuatnya benar-benar nol.
from sklearn.linear_model import Ridge
model = Ridge(alpha=1.0).fit(X, y)Lasso Dapat Mengubahnya Menjadi Nol
Lasso memberikan penalti berdasarkan ukuran absolutnya. Metode ini dapat mendorong koefisien yang lemah hingga benar-benar nol, sehingga fitur tersebut dihapus seluruhnya.
from sklearn.linear_model import Lasso
model = Lasso(alpha=0.1).fit(X, y)Lasso Memilih Fitur
Karena Lasso menjadikan bobot yang lemah bernilai nol, metode ini juga berfungsi sebagai seleksi fitur. Koefisien yang tetap tidak nol adalah fitur yang dianggapnya berguna.
Alpha Menentukan Kekuatan
Pengaturan alpha mengendalikan seberapa kuat penalti diberikan. Alpha yang lebih besar berarti penyusutan yang lebih kuat dan model yang lebih sederhana serta lebih halus.
Alpha yang Terlalu Besar Menyebabkan Underfitting
Jika alpha dinaikkan terlalu tinggi, koefisien menyusut terlalu jauh sehingga model mengabaikan sinyal yang sebenarnya. Kesalahan yang berlawanan ini disebut underfitting.
Lakukan Penskalaan Sebelum Memberi Penalti
Penalti membandingkan koefisien secara langsung, sehingga fitur harus menggunakan skala yang sama terlebih dahulu. Standarkan data Anda agar penalti tidak menghukum fitur dengan satuan besar secara tidak adil.
from sklearn.preprocessing import StandardScalerRidge atau Lasso?
Gunakan Ridge ketika sebagian besar fitur sedikit membantu, dan gunakan Lasso ketika Anda menduga banyak fitur tidak berguna serta menginginkan model yang jarang dan ringkas.
ElasticNet Menggabungkan Keduanya
Tidak dapat memutuskan? ElasticNet menggabungkan penalti Ridge dan Lasso, sehingga Anda mendapatkan penyusutan sekaligus penghapusan beberapa fitur.
from sklearn.linear_model import ElasticNetSesuaikan dengan Validasi Silang
Jangan pernah menebak alpha secara manual. Cobalah berbagai nilai, lalu pilih nilai dengan skor terbaik pada lipatan data yang disisihkan menggunakan validasi silang.
from sklearn.linear_model import RidgeCVPemeriksaan Singkat
Ada satu perbedaan utama yang membedakan keduanya dalam praktik.
Ringkasan
Regularisasi mengendalikan penyesuaian berlebih: Ridge mengecilkan bobot, Lasso dapat menjadikannya nol, dan alpha menentukan kekuatannya. Lakukan penskalaan terlebih dahulu, lalu lakukan penyetelan. 🎯
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Regularisasi Ridge dan Lasso” gratis?
Ya — teks lengkap “Regularisasi Ridge dan Lasso” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Data Science Academy, upgrade ke CoddyKit PRO. Kursus Data Science Academy mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Regularisasi Ridge dan Lasso”?
Mengendalikan overfitting dengan penalti Kamu berlatih Data Science Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai Data Science Academy?
Tidak diperlukan pengalaman sebelumnya. Data Science Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 2 dari 4.
Berapa lama pelajaran “Regularisasi Ridge dan Lasso” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran Data Science Academy ini?
Ya. Setiap pelajaran Data Science Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Meninjau Kembali Regresi Linear
- Regularisasi Ridge dan Lasso
- Regresi Pohon Keputusan
- Random Forest untuk Regresi