Ridge- og Lasso-regularisering
Tem overtilpasning med straffetermer.
Ridge- og Lasso-regularisering er en gratis leksjon i Data Science Academy på CoddyKit. Dette er leksjon 2 av 4. Du kan lese hele leksjonen gratis nedenfor – og deretter øve praktisk i nettleseren med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Den er en del av læringsløpet i Data Science Academy, og fremdriften din synkroniseres mellom nettet og CoddyKit-appen. Kurset i Data Science Academy inneholder totalt 4 leksjoner.
Når en linje overtilpasser
Vanlig lineær regresjon kan følge støy og utvikle enorme koeffisienter som passer treningsdataene, men mislykkes på nye data. Denne fellen kalles overtilpasning. 😬
Legg til en straff
Regularisering løser dette ved å legge til en straff for store koeffisienter. Modellen balanserer nå mellom å tilpasse dataene og å holde vektene små.
Ridge krymper vektene
Ridge straffer den kvadrerte størrelsen på koeffisientene. Den trekker hver vekt mot null, men gjør dem sjelden nøyaktig lik null.
from sklearn.linear_model import Ridge
model = Ridge(alpha=1.0).fit(X, y)Lasso kan sette dem til null
Lasso straffer i stedet den absolutte størrelsen. Dette kan presse svake koeffisienter helt ned til null, slik at egenskapene fjernes fullstendig.
from sklearn.linear_model import Lasso
model = Lasso(alpha=0.1).fit(X, y)Lasso velger egenskaper
Fordi Lasso setter svake vekter til null, fungerer den også som egenskapsutvelging. Koeffisientene som overlever uten å bli null, er de modellen fant nyttige.
Alpha bestemmer styrken
Innstillingen alpha bestemmer hvor hardt straffen skal virke. Høyere alpha betyr sterkere krymping og en enklere, jevnere modell.
For høy alpha gir undertilpasning
Hvis De øker alpha for mye, krymper koeffisientene så langt at modellen ignorerer reelle signaler. Denne motsatte feilen kalles undertilpasning.
Skaler før De straffer
Straffene sammenligner koeffisientene direkte, så egenskapene må først ha samme skala. Standardiser dataene Deres, ellers rammer straffen egenskaper med store enheter urettferdig.
from sklearn.preprocessing import StandardScalerRidge eller Lasso?
Bruk Ridge når de fleste egenskapene bidrar litt, og Lasso når De tror mange er unyttige og ønsker en sparsom, slank modell.
ElasticNet kombinerer begge
Klarer De ikke å bestemme Dem? ElasticNet kombinerer Ridge- og Lasso-straffene, slik at De får både krymping og fjerning av enkelte egenskaper.
from sklearn.linear_model import ElasticNetJuster med kryssvalidering
Gjett aldri alpha manuelt. Prøv et intervall og velg verdien som gir best resultat på holdte fold med kryssvalidering.
from sklearn.linear_model import RidgeCVRask sjekk
Én viktig forskjell skiller disse to fra hverandre i praksis.
Oppsummering
Regularisering temmer overtilpasning: Ridge krymper vektene, Lasso kan sette dem til null, og alpha angir styrken. Skaler først, og juster deretter. 🎯
Lær deg Python med en AI-veileder – gratis
Skriv og kjør ekte kode i nettleseren, få umiddelbar hjelp fra en AI-veileder som er tilgjengelig døgnet rundt, og fortsett der du slapp – på nettet eller i appen.
- Kurs
- 30
- Leksjoner
- 120
Ofte stilte spørsmål
Er leksjonen «Ridge- og Lasso-regularisering» gratis?
Ja – hele teksten i «Ridge- og Lasso-regularisering» er gratis å lese her på nettet. For å øve interaktivt med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt, og for å låse opp resten av Data Science Academy-kurset, kan du oppgradere til CoddyKit PRO. Kurset i Data Science Academy inneholder totalt 4 leksjoner.
Hva lærer jeg i «Ridge- og Lasso-regularisering»?
Tem overtilpasning med straffetermer. Du øver på Data Science Academy med praktisk kode som du kjører direkte i nettleseren, mens en AI-veileder som er tilgjengelig døgnet rundt, svarer på spørsmålene dine mens du jobber deg gjennom leksjonen.
Trenger jeg erfaring for å begynne med Data Science Academy?
Ingen tidligere erfaring er nødvendig. Data Science Academy på CoddyKit er lagt opp for både nybegynnere og viderekomne, så De kan begynne her eller helt fra start og lære i Deres eget tempo. Dette er leksjon 2 av 4.
Hvor lang tid tar leksjonen «Ridge- og Lasso-regularisering»?
De fleste CoddyKit-leksjoner tar omtrent 5–10 minutter. Hver leksjon er kort og interaktiv, slik at De gjør jevne fremskritt og kan fortsette akkurat der De slapp – både på nettet og i appen.
Kan jeg skrive og kjøre kode i denne Data Science Academy-leksjonen?
Ja. Alle Data Science Academy-leksjoner har en innebygd kodeeditor, slik at De kan skrive og kjøre ekte kode direkte i nettleseren og få umiddelbar tilbakemelding fra AI – uten lokal konfigurering.
Alle leksjonene i dette kurset
- Lineær regresjon på nytt
- Ridge- og Lasso-regularisering
- Regresjon med beslutningstre
- Random Forest for regresjon