Lasso

接下来回顾的三个模型，Lasso、Ridge 和 ElasticNet，都使用 MLR 的相同基础函数进行预测，但系数的估计方式不同。有 L1 和 L2 正则化参数，用于减小系数的大小，从而减少过度拟合，并可导致更好的异常值的预测。在我们的案例中，这可能是一种很好的尝试方法，因为 MLR 的样本内 R2 得分为 95%，显著大于样本外 R2 的 76%，表明过度拟合。

有一个参数可以用套 Lasso 估计——L1 惩罚参数的大小，或alpha。我们可以通过对验证数据集进行100个 alpha 值的网格搜索来实现这一点。看起来是这样的：

f.add_sklearn_estimator(Lasso,'lasso')f.set_estimator('lasso')lasso_grid = {'alpha':np.linspace(0,2,100)}f.ingest_grid(lasso_grid)f.tune()f.auto_forecast()