ElasticNetCV

类 sklearn.linear_model.ElasticNetCV(*, l1_ratio=0.5, eps=0.001, n_alphas='deprecated', alphas='warn', fit_intercept=True, precompute='auto', max_iter=1000, tol=0.0001, cv=None, copy_X=True, verbose=0, n_jobs=None, positive=False, random_state=None, selection='cyclic')

采用正则化路径迭代拟合的 Elastic Net 模型。

请参阅术语表中的交叉验证估计器条目。

在用户指南中阅读更多内容。

参数：

l1_ratio浮点数或浮点数列表, 默认值=0.5

0 到 1 之间的浮点数，传递给 ElasticNet（L1 和 L2 惩罚之间的比例）。当 l1_ratio = 0 时，惩罚是 L2 惩罚。当 l1_ratio = 1 时，惩罚是 L1 惩罚。当 0 < l1_ratio < 1 时，惩罚是 L1 和 L2 的组合。此参数可以是一个列表，在这种情况下，将通过交叉验证测试不同的值，并使用给出最佳预测分数的值。请注意，l1_ratio 值列表的一个好选择通常是将更多值接近 1（即 Lasso）而不是接近 0（即 Ridge），例如 [.1, .5, .7, .9, .95, .99, 1]。

eps浮点数, 默认值=1e-3

路径的长度。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 alpha 的数量，用于每个 l1_ratio。

自 1.7 版本弃用: n_alphas 在 1.7 版本中被弃用，并将在 1.9 版本中移除。请改用 alphas。

alphas类数组或整数, 默认值=None

沿正则化路径测试的 alpha 值，用于每个 l1_ratio。如果为整数，则自动生成 alphas 值。如果是类数组，则为要使用的 alpha 值列表。

1.7 版本修改: alphas 接受整数值，从而无需传递 n_alphas。

自 1.7 版本弃用: alphas=None 在 1.7 版本中被弃用，并将在 1.9 版本中移除，届时默认值将设置为 100。

fit_intercept布尔值, 默认值=True

是否为该模型计算截距。如果设置为 False，则计算中不使用截距（即数据预期是中心化的）。

precompute‘auto’, 布尔值或形状为 (n_features, n_features) 的类数组, 默认值=’auto’

是否使用预计算的 Gram 矩阵以加速计算。如果设置为 'auto'，则由我们决定。Gram 矩阵也可以作为参数传递。

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：如果更新量小于 tol，优化代码将检查对偶间隙的最优性，并继续直到它小于 tol。

cv整数、交叉验证生成器或可迭代对象, 默认值=None

确定交叉验证的分割策略。cv 的可能输入包括：

• 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，生成 (训练集, 测试集) 分割作为索引数组。

对于整数/None 输入，将使用 KFold。

有关此处可用的各种交叉验证策略，请参阅用户指南。

0.22 版本修改: 当 cv 为 None 时，默认值从 3 折交叉验证变为 5 折交叉验证。

copy_X布尔值, 默认值=True

如果为 True，X 将被复制；否则，它可能会被覆盖。

verbose布尔值或整数, 默认值=0

冗余信息的量。

n_jobs整数, 默认值=None

交叉验证期间使用的 CPU 数量。None 表示 1 个，除非在 joblib.parallel_backend 上下文中。-1 表示使用所有处理器。有关更多详细信息，请参阅术语表。

positive布尔值, 默认值=False

设置为 True 时，强制系数为正。

random_state整数, RandomState 实例, 默认值=None

伪随机数生成器的种子，用于选择要更新的随机特征。当 selection == ‘random’ 时使用。传入整数以在多次函数调用中获得可重现的输出。请参阅术语表。

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遍历特征。这（设置为 ‘random’）通常会显著加快收敛速度，尤其当容差 (tol) 大于 1e-4 时。

属性：

alpha_浮点数

通过交叉验证选择的惩罚量。

l1_ratio_浮点数

通过交叉验证选择的 L1 和 L2 惩罚之间的折衷。

coef_形状为 (n_features,) 或 (n_targets, n_features) 的 ndarray

参数向量（代价函数公式中的 w）。

intercept_浮点数或形状为 (n_targets, n_features) 的 ndarray

决策函数中的独立项。

mse_path_形状为 (n_l1_ratio, n_alpha, n_folds) 的 ndarray

每个折叠上测试集的均方误差，随 l1_ratio 和 alpha 变化。

alphas_形状为 (n_alphas,) 或 (n_l1_ratio, n_alphas) 的 ndarray

用于拟合的 alpha 网格，针对每个 l1_ratio。

dual_gap_浮点数

在最佳 alpha 优化结束时的对偶间隙。

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。

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 的所有特征名称都是字符串时才定义。

1.0 版本新增。

另请参见

enet_path

使用坐标下降计算弹性网络路径。

ElasticNet

以 L1 和 L2 先验组合作为正则化器的线性回归。

备注

在 fit 中，一旦通过交叉验证找到最佳参数 l1_ratio 和 alpha，模型将使用整个训练集再次拟合。

为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。

参数 l1_ratio 对应于 glmnet R 包中的 alpha，而 alpha 对应于 glmnet 中的 lambda 参数。更具体地说，优化目标是

1 / (2 * n_samples) * ||y - Xw||^2_2
+ alpha * l1_ratio * ||w||_1
+ 0.5 * alpha * (1 - l1_ratio) * ||w||^2_2

如果您有兴趣分别控制 L1 和 L2 惩罚，请记住这等同于

a * L1 + b * L2

对于

alpha = a + b and l1_ratio = a / (a + b).

有关示例，请参见 examples/linear_model/plot_lasso_model_selection.py。

示例

>>> from sklearn.linear_model import ElasticNetCV
>>> from sklearn.datasets import make_regression

>>> X, y = make_regression(n_features=2, random_state=0)
>>> regr = ElasticNetCV(cv=5, random_state=0)
>>> regr.fit(X, y)
ElasticNetCV(cv=5, random_state=0)
>>> print(regr.alpha_)
0.199
>>> print(regr.intercept_)
0.398
>>> print(regr.predict([[0, 0]]))
[0.398]

fit(X, y, sample_weight=None, **params)

使用坐标下降拟合 ElasticNet 模型。

拟合基于 alpha 网格，最佳 alpha 通过交叉验证估计。

参数：

X形状为 (n_samples, n_features) 的 {类数组, 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，X 可以是稀疏的。请注意，不接受需要 int64 索引的大型稀疏矩阵和数组。

y形状为 (n_samples,) 的类数组

目标值。

sample_weight浮点数或形状为 (n_samples,) 的类数组, 默认值=None

用于拟合和评估每个交叉验证折叠的加权均方误差的样本权重。请注意，最终用于寻找最佳模型的交叉验证 MSE 是每个测试折叠的（加权）MSE 的未加权平均值。

**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 时可用，可通过使用 sklearn.set_config(enable_metadata_routing=True) 进行设置。有关更多详细信息，请参阅元数据路由用户指南。

返回：

self对象

返回一个已拟合模型的实例。

get_metadata_routing()

获取此对象的元数据路由。

请查阅用户指南，了解路由机制的工作原理。

1.4 版本新增。

返回：

routingMetadataRouter

一个封装路由信息的 MetadataRouter。

get_params(deep=True)

获取此估计器的参数。

参数：

deep布尔值, 默认值=True

如果为 True，将返回此估计器及其包含的子对象（如果它们也是估计器）的参数。

返回：

params字典

参数名称及其对应值的映射。

静态 path(X, y, *, l1_ratio=0.5, 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, check_input=True, **params)

使用坐标下降计算弹性网络路径。

弹性网络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 * l1_ratio * ||w||_1
+ 0.5 * alpha * (1 - l1_ratio) * ||w||^2_2

对于多输出任务，它是

(1 / (2 * n_samples)) * ||Y - XW||_Fro^2
+ alpha * l1_ratio * ||W||_21
+ 0.5 * alpha * (1 - l1_ratio) * ||W||_Fro^2

其中

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

即每行范数之和。

在用户指南中阅读更多内容。

参数：

X形状为 (n_samples, n_features) 的 {类数组, 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 {类数组, 稀疏矩阵}

目标值。

l1_ratio浮点数, 默认值=0.5

0 到 1 之间的数字，传递给弹性网络（L1 和 L2 惩罚之间的比例）。l1_ratio=1 对应于 Lasso。

eps浮点数, 默认值=1e-3

路径的长度。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 alpha 的数量。

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) 的类数组, 默认值=’auto’

是否使用预计算的 Gram 矩阵以加速计算。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) 的类数组, 默认值=None

Xy = np.dot(X.T, y) 可以预计算。仅当 Gram 矩阵预计算时才有用。

copy_X布尔值, 默认值=True

如果为 True，X 将被复制；否则，它可能会被覆盖。

coef_init形状为 (n_features, ) 的类数组, 默认值=None

系数的初始值。

verbose布尔值或整数, 默认值=False

冗余信息的量。

return_n_iter布尔值, 默认值=False

是否返回迭代次数。

positive布尔值, 默认值=False

如果设置为 True，强制系数为正。（仅当 y.ndim == 1 时允许）。

check_input布尔值, 默认值=True

如果设置为 False，则跳过输入验证检查（包括提供 Gram 矩阵时的检查）。假定它们由调用者处理。

**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

模型计算路径上的 alpha 值。

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

坐标下降优化器为达到每个 alpha 的指定容差所花费的迭代次数。（当 return_n_iter 设置为 True 时返回）。

另请参见

MultiTaskElasticNet

使用 L1/L2 混合范数作为正则化器训练的多任务 ElasticNet 模型。

MultiTaskElasticNetCV

带有内置交叉验证的多任务 L1/L2 ElasticNet。

ElasticNet

以 L1 和 L2 先验组合作为正则化器的线性回归。

ElasticNetCV

采用正则化路径迭代拟合的 Elastic Net 模型。

备注

有关示例，请参见 examples/linear_model/plot_lasso_lasso_lars_elasticnet_path.py。

示例

>>> from sklearn.linear_model import enet_path
>>> from sklearn.datasets import make_regression
>>> X, y, true_coef = make_regression(
...    n_samples=100, n_features=5, n_informative=2, coef=True, random_state=0
... )
>>> true_coef
array([ 0.        ,  0.        ,  0.        , 97.9, 45.7])
>>> alphas, estimated_coef, _ = enet_path(X, y, n_alphas=3)
>>> alphas.shape
(3,)
>>> estimated_coef
 array([[ 0.,  0.787,  0.568],
        [ 0.,  1.120,  0.620],
        [-0., -2.129, -1.128],
        [ 0., 23.046, 88.939],
        [ 0., 10.637, 41.566]])

predict(X)

使用线性模型进行预测。

参数：

X形状为 (n_samples, n_features) 的类数组或稀疏矩阵

样本。

返回：

C数组, 形状 (n_samples,)

返回预测值。

score(X, y, sample_weight=None)

返回测试数据的决定系数。

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()，\(v\) 是总平方和 ((y_true - y_true.mean()) ** 2).sum()。最佳可能分数是 1.0，它也可以是负数（因为模型可能任意地差）。一个始终预测 y 的期望值，而不考虑输入特征的常数模型，将获得 0.0 的 \(R^2\) 分数。

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，这可能是一个预计算的核矩阵，或者是一个通用对象列表，其形状为 (n_samples, n_samples_fitted)，其中 n_samples_fitted 是估计器拟合中使用的样本数量。

y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组

X 的真实值。

sample_weight形状为 (n_samples,) 的类数组, 默认值=None

样本权重。

返回：

score浮点数

self.predict(X) 相对于 y 的 \(R^2\)。

备注

对回归器调用 score 时使用的 \(R^2\) 分数从 0.23 版本开始使用 multioutput='uniform_average'，以与 r2_score 的默认值保持一致。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 = '$UNCHANGED$') → ElasticNetCV

请求传递给 fit 方法的元数据。

请注意，此方法仅在 enable_metadata_routing=True 时才相关（参见 sklearn.set_config）。有关路由机制的工作原理，请参见用户指南。

每个参数的选项是：

• 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，元估计器将引发错误。

• str：应使用此给定别名而非原始名称将元数据传递给元估计器。

默认值 (sklearn.utils.metadata_routing.UNCHANGED) 保留现有请求。这允许您更改某些参数的请求而不更改其他参数。

1.3 版本新增。

注意

此方法仅当此估计器用作元估计器的子估计器时才相关，例如在 Pipeline 内部使用时。否则它没有效果。

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：

self对象

更新后的对象。

set_params(**params)

设置此估计器的参数。

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

参数：

**params字典

估计器参数。

返回：

self估计器实例

估计器实例。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → ElasticNetCV

请求传递给 score 方法的元数据。

请注意，此方法仅在 enable_metadata_routing=True 时才相关（参见 sklearn.set_config）。有关路由机制的工作原理，请参见用户指南。

每个参数的选项是：

• True：请求元数据，如果提供则传递给 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，元估计器将引发错误。

• str：应使用此给定别名而非原始名称将元数据传递给元估计器。

默认值 (sklearn.utils.metadata_routing.UNCHANGED) 保留现有请求。这允许您更改某些参数的请求而不更改其他参数。

1.3 版本新增。

注意

此方法仅当此估计器用作元估计器的子估计器时才相关，例如在 Pipeline 内部使用时。否则它没有效果。

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：

self对象

更新后的对象。

画廊示例

用于稀疏信号的基于 L1 的模型

用于稀疏信号的基于 L1 的模型