.. DO NOT EDIT. .. THIS FILE WAS AUTOMATICALLY GENERATED BY SPHINX-GALLERY. .. TO MAKE CHANGES, EDIT THE SOURCE PYTHON FILE: .. "auto_examples/linear_model/plot_ridge_path.py" .. LINE NUMBERS ARE GIVEN BELOW. .. only:: html .. note:: :class: sphx-glr-download-link-note :ref:`Go to the end ` to download the full example code. or to run this example in your browser via JupyterLite or Binder .. rst-class:: sphx-glr-example-title .. _sphx_glr_auto_examples_linear_model_plot_ridge_path.py: =========================================================== رسم معاملات Ridge كدالة للتنظيم =========================================================== يظهر هذا المثال تأثير التلازم في معاملات أداة التقدير. .. currentmodule:: sklearn.linear_model :class:`Ridge` الانحدار هو أداة التقدير المستخدمة في هذا المثال. يمثل كل لون ميزة مختلفة في متجه المعاملات، ويتم عرضه كدالة ل معامل التنظيم. يوضح هذا المثال أيضًا فائدة تطبيق الانحدار Ridge على المصفوفات ذات الشرط السيئ للغاية. بالنسبة لهذه المصفوفات، يمكن أن يسبب التغيير الطفيف في المتغير المستهدف تباينات كبيرة في الأوزان المحسوبة. في مثل هذه الحالات، من المفيد تعيين بعض التنظيم (alpha) للحد من هذا التباين (الضوضاء). عندما يكون alpha كبيرًا جدًا، تهيمن تأثيرات التنظيم على دالة الخسارة التربيعية وتميل المعاملات إلى الصفر. في نهاية المسار، عندما يقترب alpha من الصفر وتميل الحلول نحو المربعات العادية الأقل، تظهر المعاملات تذبذبات كبيرة. في الممارسة العملية، من الضروري ضبط alpha بطريقة تحافظ على التوازن بين الاثنين. .. GENERATED FROM PYTHON SOURCE LINES 28-41 .. code-block:: Python # المؤلفون: مطوري scikit-learn # معرف SPDX-License: BSD-3-Clause import matplotlib.pyplot as plt import numpy as np from sklearn import linear_model # X هي مصفوفة هيلبرت 10x10 X = 1.0 / (np.arange(1, 11) + np.arange(0, 10)[:, np.newaxis]) y = np.ones(10) .. GENERATED FROM PYTHON SOURCE LINES 42-44 حساب المسارات ------------- .. GENERATED FROM PYTHON SOURCE LINES 44-54 .. code-block:: Python n_alphas = 200 alphas = np.logspace(-10, -2, n_alphas) coefs = [] for a in alphas: ridge = linear_model.Ridge(alpha=a, fit_intercept=False) ridge.fit(X, y) coefs.append(ridge.coef_) .. GENERATED FROM PYTHON SOURCE LINES 55-57 عرض النتائج --------------- .. GENERATED FROM PYTHON SOURCE LINES 57-67 .. code-block:: Python ax = plt.gca() ax.plot(alphas, coefs) ax.set_xscale("log") ax.set_xlim(ax.get_xlim()[::-1]) # عكس المحور plt.xlabel("alpha") plt.ylabel("weights") plt.title("Ridge coefficients as a function of the regularization") plt.axis("tight") plt.show() .. image-sg:: /auto_examples/linear_model/images/sphx_glr_plot_ridge_path_001.png :alt: Ridge coefficients as a function of the regularization :srcset: /auto_examples/linear_model/images/sphx_glr_plot_ridge_path_001.png :class: sphx-glr-single-img .. rst-class:: sphx-glr-timing **Total running time of the script:** (0 minutes 0.430 seconds) .. _sphx_glr_download_auto_examples_linear_model_plot_ridge_path.py: .. only:: html .. container:: sphx-glr-footer sphx-glr-footer-example .. container:: binder-badge .. image:: images/binder_badge_logo.svg :target: https://mybinder.org/v2/gh/scikit-learn/scikit-learn/main?urlpath=lab/tree/notebooks/auto_examples/linear_model/plot_ridge_path.ipynb :alt: Launch binder :width: 150 px .. container:: lite-badge .. image:: images/jupyterlite_badge_logo.svg :target: ../../lite/lab/index.html?path=auto_examples/linear_model/plot_ridge_path.ipynb :alt: Launch JupyterLite :width: 150 px .. container:: sphx-glr-download sphx-glr-download-jupyter :download:`Download Jupyter notebook: plot_ridge_path.ipynb ` .. container:: sphx-glr-download sphx-glr-download-python :download:`Download Python source code: plot_ridge_path.py ` .. container:: sphx-glr-download sphx-glr-download-zip :download:`Download zipped: plot_ridge_path.zip ` .. include:: plot_ridge_path.recommendations .. only:: html .. rst-class:: sphx-glr-signature `Gallery generated by Sphinx-Gallery `_