上述例子中我们使用了最简单的线性回归进行了机器学习分析，本文将介绍了一种新的回归方式：岭回归。
岭回归是一种专门用于共线性数据分析的有偏估计回归方法，其本质是改良型的最小二乘估计法，但它放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价使得回归系数更可靠，且对于病态数据的拟合要强于最小二乘法。
Ridge原理如下
下面采用ridge函数对上次代码进行重写
首先引入工具包
代码语言：javascript复制import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import Ridge
from sklearn.model_selection import GridSearchCV开始数据读取
代码语言：javascript复制data = pd.read_csv('Advertising.csv') # TV、Radio、Newspaper、Sales
x = data[['TV', 'Radio', 'Newspaper']]
y = data['Sales']构建模型
代码语言：javascript复制x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=1, train_size=0.8)
# 同样设定80%的训练样本
# model = Lasso()
model = Ridge()
# 设定Ridge模型
alpha_can = np.logspace(-3, 2, 10)
# Ridge函数需要一个参数值，这里从10的-3次方到10的2次方取十个候选值
np.set_printoptions(suppress=True)
print ('alpha_can = ', alpha_can)输出alpha_can的值为
代码语言：javascript复制alpha_can = [ 0.001 0.00359381 0.0129155 0.04641589 0.16681005继续构建模型
代码语言：javascript复制Ridge_model = GridSearchCV(model, param_grid={'alpha': alpha_can}, cv=5)
# 挨个搜索alpha_can
Ridge_model.fit(x_train, y_train)
# 数据喂给函数
print ('超参数：n', Ridge_model.best_params_)
# 输出最佳参数输出为
代码语言：javascript复制{'alpha': 7.742636826811277}余下的模型测试与绘图部分与之前类似，不再赘述
代码语言：javascript复制order = y_test.argsort(axis=0)
y_test = y_test.values[order]
x_test = x_test.values[order, :]
y_hat = Ridge_model.predict(x_test)
mse = np.average((y_hat - np.array(y_test)) ** 2)
rmse = np.sqrt(mse)
t = np.arange(len(x_test))
mpl.rcParams['font.sans-serif'] = [u'simHei']
mpl.rcParams['axes.unicode_minus'] = False
plt.figure(facecolor='w')
plt.plot(t, y_test, 'r-', linewidth=2, label=u'真实数据')
plt.plot(t, y_hat, 'g-', linewidth=2, label=u'预测数据')
plt.title(u'线性回归预测销量', fontsize=18)
plt.legend(loc='upper left')
plt.grid(b=True, ls=':')
plt.show()图片为
这里所得到的mse和rmse的数值分别为：1.992745和1.411646。这个结果略差于上期的线性回归结果，但若进行alpha_can的调参工作和优化数据（舍去相关性差的数据）或许会得到更好的结果。
