LASSO路径#
- sklearn.linear_model.lasso_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任务有所不同。
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}
即每行的范数之和。
更多信息请阅读 用户指南。
- 参数：
- X形状为 (n_samples, n_features) 的 {array-like, sparse matrix}
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可以是稀疏矩阵。- y形状为 (n_samples,) 或 (n_samples, n_targets) 的 {array-like, sparse matrix}
目标值。
- epsfloat, 默认值=1e-3
路径长度。
eps=1e-3表示alpha_min / alpha_max = 1e-3。- n_alphasint, 默认值=100
正则化路径上的 alpha 个数。
- alphasarray-like, 默认值=None
计算模型的 alpha 列表。如果为
None，则自动设置 alphas。- precompute‘auto’，bool 或形状为 (n_features, n_features) 的 array-like，默认值='auto'
是否使用预计算的 Gram 矩阵来加速计算。如果设置为
'auto'，则由函数自动决定。Gram 矩阵也可以作为参数传递。- Xy形状为 (n_features,) 或 (n_features, n_targets) 的 array-like，默认值=None
Xy = np.dot(X.T, y) 可以预先计算。仅当预先计算 Gram 矩阵时才有用。
- copy_Xbool, 默认值=True
如果为
True，则会复制 X；否则，它可能会被覆盖。- coef_init形状为 (n_features,) 的 array-like，默认值=None
系数的初始值。
- verbosebool 或 int，默认值=False
详细程度。
- return_n_iterbool, 默认值=False
是否返回迭代次数。
- positivebool, 默认值=False
如果设置为 True，则强制系数为正。（仅当
y.ndim == 1时允许）。- **paramskwargs
传递给坐标下降求解器的关键字参数。
- 返回：
- 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
对于每个 alpha，坐标下降优化器达到指定容差所需的迭代次数。
另请参见
lars_path使用 LARS 算法计算最小角回归或 Lasso 路径。
LassoLasso 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...
备注
有关示例，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 求解器可能在实现此功能方面快得多。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]]
