多任务LassoCV#

class sklearn.linear_model.MultiTaskLassoCV(*, eps=0.001, n_alphas=100, alphas=None, fit_intercept=True, max_iter=1000, tol=0.0001, copy_X=True, cv=None, verbose=False, n_jobs=None, random_state=None, selection='cyclic')[source]#

使用L1/L2混合范数作为正则化器的多任务Lasso模型。

参见交叉验证估计器词汇表条目。

MultiTaskLasso 的优化目标是

(1 / (2 * n_samples)) * ||Y - XW||^Fro_2 + alpha * ||W||_21

其中

||W||_21 = \sum_i \sqrt{\sum_j w_{ij}^2}

即每一行的范数之和。

更多信息请参见用户指南。

0.15 版本新增。

参数:

eps浮点数，默认值=1e-3

路径长度。 eps=1e-3 表示 alpha_min / alpha_max = 1e-3。

n_alphas整数，默认值=100

正则化路径上的 alpha 数量。

alphas类数组，默认值=None

用于计算模型的 alpha 列表。如果未提供，则自动设置。

fit_intercept布尔值，默认值=True

是否计算此模型的截距。如果设置为 False，则计算中不使用截距（即数据应居中）。

max_iter整数，默认值=1000

最大迭代次数。

tol浮点数，默认值=1e-4

优化的容差：如果更新小于 tol，则优化代码检查对偶间隙的最优性，并继续直到其小于 tol。

copy_X布尔值，默认值=True

如果 True，则复制 X；否则，可能会被覆盖。

cv整数、交叉验证生成器或可迭代对象，默认值=None

确定交叉验证拆分策略。cv 的可能输入是

None，使用默认的 5 折交叉验证，
整数，指定折叠数。
CV 分割器,
一个可迭代对象，产生 (train, test) 拆分作为索引数组。

对于 int/None 输入，使用 KFold。

有关此处可使用的各种交叉验证策略，请参阅用户指南。

0.22 版本变更： cv 的默认值如果为 None，则从 3 折更改为 5 折。

verbose布尔值或整数，默认值=False

详细程度。

n_jobs整数，默认值=None

在交叉验证期间使用的 CPU 数量。请注意，只有在给出 l1_ratio 的多个值时才使用此参数。 None 表示 1，除非在 joblib.parallel_backend 上下文中。 -1 表示使用所有处理器。更多详情请参见词汇表。

random_state整数、RandomState 实例，默认值=None

选择随机特征进行更新的伪随机数生成器的种子。当 selection == ‘random’ 时使用。传递整数可在多次函数调用中获得可重复的输出。参见词汇表。

selection{'cyclic', 'random'}，默认值='cyclic'

如果设置为 'random'，则每次迭代都会更新一个随机系数，而不是默认情况下按顺序循环遍历特征。这（设置为 'random'）通常会导致更快的收敛，尤其是在 tol 高于 1e-4 时。

属性:

intercept_形状为 (n_targets,) 的 ndarray: 决策函数中的独立项。
coef_形状为 (n_targets, n_features) 的 ndarray: 参数向量（代价函数公式中的 W）。请注意，coef_ 存储 W 的转置，W.T。
alpha_浮点数: 通过交叉验证选择的惩罚量。
mse_path_形状为 (n_alphas, n_folds) 的 ndarray: 测试集在每个折叠上的均方误差，变化的 alpha。
alphas_形状为 (n_alphas,) 的 ndarray: 用于拟合的 alpha 网格。
n_iter_整数: 坐标下降求解器为达到最佳 alpha 的指定容差而运行的迭代次数。
dual_gap_浮点数: 在最佳 alpha 的优化结束时的对偶间隙。
n_features_in_整数: 在拟合期间看到的特征数量。

0.24 版本新增。
feature_names_in_形状为 (n_features_in_,) 的 ndarray: 在拟合期间看到的特征名称。仅当 X 具有全是字符串的特征名称时定义。

1.0 版本新增。

另见

MultiTaskElasticNet: 使用 L1/L2 混合范数作为正则化器的多任务 ElasticNet 模型。
ElasticNetCV: 通过交叉验证进行最佳模型选择的弹性网络模型。
MultiTaskElasticNetCV: 具有内置交叉验证的多任务 L1/L2 ElasticNet。

备注

用于拟合模型的算法是坐标下降。

在 fit 中，一旦通过交叉验证找到最佳参数 alpha，则使用整个训练集再次拟合模型。

为了避免不必要的内存复制，fit 方法的 X 和 y 参数应直接作为 Fortran 连续的 numpy 数组传递。

示例

>>> from sklearn.linear_model import MultiTaskLassoCV
>>> from sklearn.datasets import make_regression
>>> from sklearn.metrics import r2_score
>>> X, y = make_regression(n_targets=2, noise=4, random_state=0)
>>> reg = MultiTaskLassoCV(cv=5, random_state=0).fit(X, y)
>>> r2_score(y, reg.predict(X))
0.9994...
>>> reg.alpha_
np.float64(0.5713...)
>>> reg.predict(X[:1,])
array([[153.7971...,  94.9015...]])

fit(X, y, **params)[source]#

使用坐标下降拟合 MultiTaskLasso 模型。

拟合是在 alpha 网格上进行的，最佳 alpha 由交叉验证估计。

参数:

X形状为 (n_samples, n_features) 的 ndarray: 数据。
y形状为 (n_samples, n_targets) 的 ndarray: 目标。如有必要，将转换为 X 的 dtype。
**params字典，默认值=None: 要传递给 CV 分割器的参数。

1.4 版本新增：仅当 enable_metadata_routing=True 时才可用，这可以通过使用 sklearn.set_config(enable_metadata_routing=True) 来设置。更多详情请参见元数据路由用户指南。

返回值:

self对象: 返回拟合模型的实例。

get_metadata_routing()[源代码]#

获取此对象的元数据路由。

请查看用户指南，了解路由机制的工作原理。

版本 1.4 中添加。

返回值:

routingMetadataRouter: 一个 MetadataRouter 封装了路由信息。

get_params(deep=True)[源代码]#

获取此估计器的参数。

参数:

deep布尔值，默认为 True: 如果为 True，则将返回此估计器和包含的作为估计器的子对象的参数。

返回值:

params字典: 参数名称与其值的映射。

静态 path(X, y, *, eps=0.001, n_alphas=100, alphas=None, precompute='auto', Xy=None, copy_X=True, coef_init=None, verbose=False, return_n_iter=False, positive=False, **params)[源代码]#

使用坐标下降法计算 Lasso 路径。

Lasso 优化函数对于单输出和多输出有所不同。

对于单输出任务，它是

(1 / (2 * n_samples)) * ||y - Xw||^2_2 + alpha * ||w||_1

对于多输出任务，它是

(1 / (2 * n_samples)) * ||Y - XW||^2_Fro + alpha * ||W||_21

其中

||W||_21 = \sum_i \sqrt{\sum_j w_{ij}^2}

即每一行的范数之和。

在用户指南中了解更多信息。

参数:

X形状为 (n_samples, n_features) 的 {数组、稀疏矩阵}: 训练数据。直接作为 Fortran 连续数据传递，以避免不必要的内存复制。如果 y 是单输出，则 X 可以是稀疏的。
y形状为 (n_samples,) 或 (n_samples, n_targets) 的 {数组、稀疏矩阵}: 目标值。
eps浮点数，默认值=1e-3: 路径长度。 eps=1e-3 表示 alpha_min / alpha_max = 1e-3。
n_alphas整数，默认值=100: 正则化路径上的 alpha 数量。
alphas类数组，默认值=None: 计算模型的 alpha 列表。如果为 None，则自动设置 alpha。
precompute‘auto’、布尔值或形状为 (n_features, n_features) 的数组，默认为 ‘auto’: 是否使用预计算的 Gram 矩阵来加快计算速度。如果设置为 'auto'，则由我们决定。Gram 矩阵也可以作为参数传递。
Xy形状为 (n_features,) 或 (n_features, n_targets) 的数组，默认为 None: Xy = np.dot(X.T, y)，可以预计算。只有在预计算 Gram 矩阵时才有用。
copy_X布尔值，默认值=True: 如果 True，则复制 X；否则，可能会被覆盖。
coef_init形状为 (n_features,) 的数组，默认为 None: 系数的初始值。
verbose布尔值或整数，默认值=False: 详细程度。
return_n_iter布尔值，默认为 False: 是否返回迭代次数。
positive布尔值，默认为 False: 如果设置为 True，则强制系数为正。（仅当 y.ndim == 1 时允许）。
**params关键字参数: 传递给坐标下降求解器的关键字参数。

返回值:

alphas形状为 (n_alphas,) 的 ndarray: 计算模型的路径上的 alphas。
coefs形状为 (n_features, n_alphas) 或 (n_targets, n_features, n_alphas) 的 ndarray: 路径上的系数。
dual_gaps形状为 (n_alphas,) 的 ndarray: 每个 alpha 优化结束时的对偶间隙。
n_iters整数列表: 坐标下降优化器为每个 alpha 达到指定容差所需的迭代次数。

另见

lars_path: 使用 LARS 算法计算最小角回归或 Lasso 路径。
Lasso: Lasso 是一种估计稀疏系数的线性模型。
LassoLars: 使用最小角回归（也称为 Lars）拟合的 Lasso 模型。
LassoCV: 具有沿正则化路径迭代拟合的 Lasso 线性模型。
LassoLarsCV: 使用 LARS 算法进行交叉验证的 Lasso。
sklearn.decomposition.sparse_encode: 可用于将信号转换为来自固定值的原子的稀疏线性组合的估计器。

备注

例如，请参见 examples/linear_model/plot_lasso_lasso_lars_elasticnet_path.py。

为了避免不必要的内存复制，fit 方法的 X 参数应直接作为 Fortran 连续的 numpy 数组传递。

请注意，在某些情况下，Lars 求解器实现此功能的速度可能要快得多。特别是，可以使用线性插值来检索 lars_path 输出值之间的模型系数。

示例

比较 lasso_path 和 lars_path 与插值

>>> import numpy as np
>>> from sklearn.linear_model import lasso_path
>>> X = np.array([[1, 2, 3.1], [2.3, 5.4, 4.3]]).T
>>> y = np.array([1, 2, 3.1])
>>> # Use lasso_path to compute a coefficient path
>>> _, coef_path, _ = lasso_path(X, y, alphas=[5., 1., .5])
>>> print(coef_path)
[[0.         0.         0.46874778]
 [0.2159048  0.4425765  0.23689075]]

>>> # Now use lars_path and 1D linear interpolation to compute the
>>> # same path
>>> from sklearn.linear_model import lars_path
>>> alphas, active, coef_path_lars = lars_path(X, y, method='lasso')
>>> from scipy import interpolate
>>> coef_path_continuous = interpolate.interp1d(alphas[::-1],
...                                             coef_path_lars[:, ::-1])
>>> print(coef_path_continuous([5., 1., .5]))
[[0.         0.         0.46915237]
 [0.2159048  0.4425765  0.23668876]]

predict(X)[source]#

使用线性模型进行预测。

参数:

X类数组或稀疏矩阵，形状 (n_samples, n_features): 样本。

返回值:

C数组，形状 (n_samples,): 返回预测值。

score(X, y, sample_weight=None)[source]#

返回预测的决定系数。

决定系数 $R^2$ 定义为 $(1 - \frac{u}{v})$，其中 $u$ 是残差平方和 ((y_true - y_pred)** 2).sum()，而 $v$ 是总平方和 ((y_true - y_true.mean()) ** 2).sum()。最佳分数为 1.0，也可能为负数（因为模型可以任意差）。始终预测 y 期望值的常数模型，忽略输入特征，其 $R^2$ 分数为 0.0。

参数:

X形状为 (n_samples, n_features) 的类数组: 测试样本。对于某些估计器，这可能是预计算的核矩阵，或者形状为 (n_samples, n_samples_fitted) 的泛型对象列表，其中 n_samples_fitted 是估计器拟合中使用的样本数。
y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组: X 的真值。
sample_weight形状为 (n_samples,) 的类数组，默认为 None: 样本权重。

返回值:

score浮点数: self.predict(X) 关于 y 的 $R^2$。

备注

从 0.23 版本开始，调用回归器的 score 时使用的 $R^2$ 分数使用 multioutput='uniform_average'，以保持与 r2_score 的默认值一致。这会影响所有多输出回归器的 score 方法（MultiOutputRegressor 除外）。

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → MultiTaskLassoCV[source]#

请求传递给 fit 方法的元数据。

请注意，只有在 enable_metadata_routing=True 时（参见 sklearn.set_config）此方法才相关。请参阅用户指南，了解路由机制的工作原理。

每个参数的选项为

True：请求元数据，如果提供则传递给 fit。如果未提供元数据，则忽略请求。
False：不请求元数据，元估计器不会将其传递给 fit。
None：不请求元数据，如果用户提供元数据，则元估计器将引发错误。
str：元数据应使用此给定的别名而不是原始名称传递给元估计器。

默认值（sklearn.utils.metadata_routing.UNCHANGED）保留现有的请求。这允许您更改某些参数的请求，而不对其他参数进行更改。

1.3 版中新增。

注意

此方法仅当该估计器用作元估计器的子估计器时才相关，例如，在 Pipeline 中使用。否则，它无效。

参数:

sample_weightstr、True、False 或 None，默认值=sklearn.utils.metadata_routing.UNCHANGED: fit 方法中 sample_weight 参数的元数据路由。

返回值:

self对象: 更新后的对象。

set_params(**params)[source]#

设置此估计器的参数。

此方法适用于简单的估计器以及嵌套对象（例如 Pipeline）。后者具有 <component>__<parameter> 形式的参数，以便可以更新嵌套对象的每个组件。

参数:

**paramsdict: 估计器参数。

返回值:

self估计器实例: 估计器实例。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → MultiTaskLassoCV[source]#

请求传递给 score 方法的元数据。

请注意，只有在 enable_metadata_routing=True 时（参见 sklearn.set_config）此方法才相关。请参阅用户指南，了解路由机制的工作原理。

每个参数的选项为

True：请求元数据，如果提供则将其传递给 score。如果未提供元数据，则忽略请求。
False：不请求元数据，元估计器不会将其传递给 score。
None：不请求元数据，如果用户提供元数据，则元估计器将引发错误。
str：元数据应使用此给定的别名而不是原始名称传递给元估计器。

默认值（sklearn.utils.metadata_routing.UNCHANGED）保留现有的请求。这允许您更改某些参数的请求，而不对其他参数进行更改。

1.3 版中新增。

注意

此方法仅当该估计器用作元估计器的子估计器时才相关，例如，在 Pipeline 中使用。否则，它无效。

参数:

sample_weightstr、True、False 或 None，默认值=sklearn.utils.metadata_routing.UNCHANGED: score 方法中 sample_weight 参数的元数据路由。

返回值:

self对象: 更新后的对象。