一、嶺回歸模型
嶺回歸其實就是在普通最小二乘法回歸（ordinary least squares regression）的基礎上，加入了正則化參數λ。
二、如何調用
class sklearn.linear_model.Ridge(alpha=1.0, fit_intercept=True, normalize=False, copy_X=True, max_iter=None, tol=0.001, solver='auto')
alpha：就是上述正則化參數λ；
fit_intercept：默認為true，數據可以攔截，沒有中心化；
normalize：輸入的樣本特征歸一化，默認false；
copy_X：復制或者重寫；
max_iter：最大迭代次數；
tol: 控制求解的精度；
solver：求解器，有auto, svd, cholesky, sparse_cg, lsqr幾種，一般我們選擇auto，一些svd，cholesky也都是稀疏表示中常用的omp求解算法中的知識，大家有時間可以去了解。
Ridge函數會返回一個clf類，里面有很多的函數，一般我們用到的有：
clf.fit(X, y)：輸入訓練樣本數據X，和對應的標記y；
clf.predict(X)：利用學習好的線性分類器，預測標記，一般在fit之后調用；
clf.corf_: 輸入回歸表示系數
詳見：
http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.Ridge.html#sklearn.linear_model.Ridge.decision_function
三、Lasso模型（Least absolute shrinkage and selection operator-最小絕對收縮與選擇算子）
Lasso構造的是一個一階的懲罰函數，滿足L1范數，從而使得模型的一些變量參數可能為0（嶺回歸系數為0的可能性非常低），得到的模型更為精煉。
Lasso的正則化懲罰函數形式是L1范數，屬於絕對值形式，L1范數的好處是當lambda充分大時可以把某些待估參數精確地收縮到0。回歸的參數估計經常會有為0的狀況，對於這種參數，我們便可以選擇對它們進行剔除，就不用我們進行人工選擇剔除變量，而可以讓程序自動根據是否為0來剔除掉變量了。剔除了無用變量后，可能會使的模型效果更好，因為會存在一些關聯比較大的共線變量，從這個角度來看，Lasso回歸要優於嶺回歸。
scikit-learn對lasso模型的調用與上述嶺回歸調用大同小異，詳見：
http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.Lasso.html