我有以下运行简单岭回归的代码:
for col in cols: #zscore normalization
df[col] = (df[col] - df[col].mean())/df[col].std(ddof=0)
y = df['SPXR_{}D'.format(horizon)] #my dependent variable (future market returns)
x = df[cols] #a bunch of variables that predict market returns
model = linear_model.Ridge(alpha=0.5) #ridge regression, guess & check based alpha
res = model.fit(x, y)
我读到,使用前半部分数据来查找 alpha 是最简单的方法,但这怎么可能?
最佳答案
让我为您指出两个可能的方向。
1) 交叉验证:
- RidgeCV - 只是一个结合 GridSearchCV 和 Ridge 的方便包装器。拟合模型并检查属性 _alpha。
2)贝叶斯方法:
- Bayesian Ridge Regression - 拟合模型并计算 _lambda/_alpha。
关于python - 训练岭回归的 alpha 值,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/49907180/