Um modelo linear pode ajustar coeficientes instáveis quando as entradas se sobrepõem ou a amostra de treinamento é pequena. A regularização adiciona uma penalização ao objetivo do ajuste. O Ridge usa uma penalização sobre o quadrado dos coeficientes; o lasso usa uma penalização sobre o valor absoluto e pode levar alguns coeficientes a zero. O parâmetro alpha controla a intensidade da penalização.
A penalização age sobre o tamanho dos coeficientes, então as unidades das entradas importam. Coloque o StandardScaler antes do estimador e ajuste os dois passos com as linhas de treinamento. Você vai usar um alpha explícito para que o experimento seja reproduzível, não porque um único valor sirva para todos os conjuntos de dados. As lições seguintes escolhem as configurações com validação cruzada. Um ajuste regularizado pode ter um erro de treinamento pior e um erro melhor em dados reservados, mas esse equilíbrio precisa ser medido. Examine as previsões em vez de supor que qualquer penalização melhora um modelo.
A penalização depende do tamanho dos coeficientes, então as unidades das variáveis importam. Um pipeline aprende a escala durante o fit e a reutiliza ao prever novas entradas.