前回構築したLASSO回帰モデルの評価を行います。
残差プロット
予測値と実測値の残差プロットを表示します。
以前に定義したresidual_plot関数を使います。
[Google Colaboratory]
1 | residual_plot(y_train_pred, y_train, y_test_pred, y_test) |
[実行結果]
重回帰と比較し、残差の分布に違いはないようです。
精度評価スコア
次に精度評価スコアを算出します。
以前に定義したget_eval_score関数を使います。
[Google Colaboratory]
1 | print("訓練データスコア") |
[実行結果]
重回帰と比べて、やや低いスコアとなっていまいました。
重み
説明変数の重みを表示します。
[Google Colaboratory]
1 | for i, (col, coef) in enumerate(zip(boston.feature_names, lasso.coef_)): |
[実行結果]
RMやLSTATのような重要な変数の重みは残っていますが、多くの説明変数の重みが0になりました。
このようにLASSO回帰では各説明変数の重みを0に近づけ、特定の説明変数の重みを0にします。
次回は、LASSO回帰のハイパーパラメータを変更してみます。