岭回归是失损函数通过添加所有权重的平方和的乘积(L2)来惩罚模型的复杂度。

均方差除以2是因为方便求导，w_j指所有的权重系数, λ指惩罚型系数，又叫正则项力度

特点:

• 岭回归不会将权重压缩到零，这意味着所有特征都会保留在模型中，但它们的权重会被缩小。

• 适用于特征间存在多重共线性的情况。

• 岭回归产生的模型通常更为平滑，因为它对所有特征都有影响。

  from sklearn.linear_model import Ridge
  from sklearn.model_selection import train_test_split
  from sklearn.datasets import fetch_california_housing
  from sklearn.preprocessing import StandardScaler
  from sklearn.metrics import mean_squared_errorx,y = fetch_california_housing(return_X_y=True,data_home = "./src")x_train,x_test,y_train,y_test = train_test_split(x,y,test_size = 0.2,random_state = 42)
  scaler = StandardScaler()
  x_train = scaler.fit_transform(x_train)
  x_train = scaler.fit_transform(x_train)model = Ridge(alpha = 1,max_iter = 100,fit_intercept=True)#调节这里的alpha可以改变w
  model.fit(x_train,y_train)y_hat = model.predict(x_test)
  print("loss:",mean_squared_error(y_test,y_hat))
  print("w:",model.coef_)
  print("b:",model.intercept_)

  具有L2正则化的线性回归-岭回归。
  sklearn.linear_model.Ridge()
  1 参数：
  (1)alpha, default=1.0，正则项力度
  (2)fit_intercept, 是否计算偏置， default=True
  (3)solver, {‘auto’, ‘svd’, ‘cholesky’, ‘lsqr’, ‘sparse_cg’, ‘sag’, ‘saga’, ‘lbfgs’}, default=’auto’
  当值为auto,并且数据量、特征都比较大时，内部会随机梯度下降法。
  (4)normalize：,default=True, 数据进行标准化，如果特征工程中已经做过标准化，这里就该设置为False
  (5)max_iterint, default=None,梯度解算器的最大迭代次数，默认为15000

  2 属性
  coef_ 回归后的权重系数
  intercept_ 偏置

  
  说明:SGDRegressor也可以做岭回归的事情，比如SGDRegressor(penalty='l2',loss="squared_loss"),但是其中梯度下降法有些不同。所以推荐使用Ridge实现岭回归