11、回归分析：线性、非线性及图像拼接应用

回归分析：线性、非线性及图像拼接应用

1. 线性回归模型

1.1 Ridge回归对比

Mathematica中L2正则化参数为900时的结果与Python中alpha为10时的结果相似，但部分系数差异较大。以下是Mathematica中绘制系数对比图的代码：

p1P=ListPlot[{coeffRidge10},PlotStyle->{Blue},Frame->True,
Axes->None,PlotMarkers->{Automatic},AspectRatio->0.7,
PlotRange->{-10,10}];
Show[{p1P,ListPlot[Drop[coeff,{1,1}],PlotStyle->Brown,
Frame->True,Axes->None,PlotMarkers->" ",
AspectRatio->0.7,PlotRange->{-10,10}]}]

1.2 Lasso回归

1.2.1 Python实现

首先使用默认参数进行Lasso回归：

from sklearn.linear_model import Lasso
lasso=Lasso().fit(X_train,y_train)
print("Training set score: {:.2f}".format(lasso.score(X_train, y_train)))