另外两个回归模型：Lasso和Ridge

同样来自哥大的工程课程machine learning，这是一堂由IBM的首席研究员讲授的机器学习课程。数据和背景其实和上一篇是在R中用Dyplr Rename是一样的。

先丢数学公式上的对比:

用人类可以听懂的话来说，就是这两个回归的算法，用了两种不同的方法进一步规范了缩小误差的方式。这两个方法，一个是利用新增的“惩罚项”的参数的平方（L2），一个则是这些参数的绝对值（L1） ，来让损失函数更加严格（你算得不太行，我就要惩罚你，你的标准也就更严格了）。

现在我们就在R里面用两个方法实现最小化的RMSE吧~ 

Ridge：

Lasso： 

岭回归放弃了部分精度，以更好地拟合有缺陷的数据集，这比普通回归更实用。

Lasso通常适用于具有高维度的大型数据集。它可以选择最相关的变量并完成其工作，上图就显示部分变量是没有系数的，意味着它们不参与拟合。这个话题我们后续会在python内容中进行展开。