Un modelo lineal puede ajustar coeficientes inestables cuando las entradas se solapan o la muestra de entrenamiento es pequeña. La regularización añade una penalización al objetivo del ajuste. Ridge usa una penalización sobre el cuadrado de los coeficientes; lasso usa una penalización sobre su valor absoluto y puede llevar algunos coeficientes a cero. El ajuste alpha controla la intensidad de la penalización.
La penalización actúa sobre el tamaño de los coeficientes, así que las unidades de las entradas importan. Pon StandardScaler antes del estimador y ajusta los dos pasos con las filas de entrenamiento. Usarás un alpha explícito para que el experimento sea reproducible, no porque un valor sirva para todos los conjuntos de datos. Las lecciones posteriores eligen los ajustes con validación cruzada. Un ajuste regularizado puede tener un error de entrenamiento peor y un error con datos reservados mejor, pero ese equilibrio hay que medirlo. Revisa las predicciones en lugar de suponer que cualquier penalización mejora un modelo.
La penalización depende del tamaño de los coeficientes, así que las unidades de las variables importan. Un pipeline aprende la escala durante fit y la reutiliza al predecir entradas nuevas.