岭回归sklearn的API：from sklearn.linear_model import Ridge

通过调节模型中的参数alpha的值来调节正则化的力度，力度越大高次项的系数越小，逐渐趋近于0，但是不会等于0，alpha一般去0-1之间的小数，或者1-10之间的整数，可以通过网格搜索去寻找最优参数

from sklearn.datasets import load_boston
from sklearn.linear_model import LinearRegression, SGDRegressor,Ridge
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error  # 回归方程性能评价均方误差API


def boston_linear():
    '''线性回归预测波士顿房价'''
    # 获取数据
    bl = load_boston()

    # 分割训练集和测试集
    x_train, x_test, y_train, y_test = train_test_split(bl.data, bl.target, test_size=0.25)

    # 进行标准化，特征值和目标值都需要进行标准化处理
    # 特征值
    std_x = StandardScaler()
    x_train = std_x.fit_transform(x_train)
    x_test = std_x.fit_transform(x_test)

    # 目标值，y_train.reshape(-1, 1)将一维数组转换成二维数组
    std_y = StandardScaler()
    y_train = std_y.fit_transform(y_train.reshape(-1, 1))
    y_test = std_y.fit_transform(y_test.reshape(-1, 1))

    # 预测
    # 最小二乘法求解结果
    lr = LinearRegression()
    lr.fit(x_train, y_train)

    # 系数
    print(lr.coef_)

    # 预测测试集的房子价格
    lr_y_predict = std_y.inverse_transform(lr.predict(x_test))
    print('最小二乘法测试集里面每个房子的价格', lr_y_predict)

    # 用均方误差对一个回归模型来进行评价，越小越好，mean_squared_error第一个参数是测试集的真实值，第二个参数数测试集的预测值
    print('最小二乘法的均方误差：', mean_squared_error(std_y.inverse_transform(y_test), lr_y_predict))

    # 梯度下降
    sgd = SGDRegressor()
    sgd.fit(x_train, y_train)

    # 系数
    print(sgd.coef_)

    # 预测测试集的房子价格
    sgd_y_predict = std_y.inverse_transform(sgd.predict(x_test))
    print('梯度下降测试集里面每个房子的价格', sgd_y_predict)

    # 用均方误差对一个回归模型来进行评价，越小越好，mean_squared_error第一个参数是测试集的真实值，第二个参数数测试集的预测值
    print('梯度下降法的均方误差：', mean_squared_error(std_y.inverse_transform(y_test), sgd_y_predict))

    # 岭回归进行房价预测，alpha正则化力度参数
    rd = Ridge(alpha=1.0)
    rd.fit(x_train, y_train)

    # 系数
    print(rd.coef_)

    # 预测测试集的房子价格
    rd_y_predict = std_y.inverse_transform(rd.predict(x_test))
    print('岭回归测试集里面每个房子的价格', rd_y_predict)

    # 用均方误差对一个回归模型来进行评价，越小越好，mean_squared_error第一个参数是测试集的真实值，第二个参数数测试集的预测值
    print('岭回归的均方误差：', mean_squared_error(std_y.inverse_transform(y_test), rd_y_predict))
    
    
if __name__ == "__main__":
    boston_linear()