data=dat,lambda=seq(0,0.3,0.001))) # 和线性回归类似，这个plot可以画出岭迹图，lambda=seq(0,0.3,0.001)设置范围和间隔，可以观察岭迹图，人工选择，但是这样主观性较强。
（2）select(lm.ridge(GDP~Consume+Investment+IO+Population+Jobless+Goods,
data=dat,lambda=seq(0,0.3,0.001))) #利用select 函数找出最优岭参数lambda,会有三个值，任选一个即可。
lm.ridge(GDP~Consume+Investment+IO+Population+Jobless+Goods,
data=dat,lambda=0.09)#通过（1）或（2）把选取的lmbda 参数写到岭回归函数中去，在这里lambda=0.09。
logit=glm(y~x1+x2,data=data,family=binomial(link='logit'))glm表示广义线性回归，data表示y,x1,x2所在的数据集，family中的link用来选择回归类型，logit表示选择logistic回归
![[python]统一转换日期格式dateutil.parser.parse](/aiimages/%5Bpython%5D%E7%BB%9F%E4%B8%80%E8%BD%AC%E6%8D%A2%E6%97%A5%E6%9C%9F%E6%A0%BC%E5%BC%8Fdateutil.parser.parse.png)
