MultiTaskElasticNetCV#

class sklearn.linear_model.MultiTaskElasticNetCV(*, l1_ratio=0.5, eps=0.001, n_alphas='deprecated', alphas='warn', fit_intercept=True, max_iter=1000, tol=0.0001, cv=None, copy_X=True, verbose=0, n_jobs=None, random_state=None, selection='cyclic')[source]#

带有内置交叉验证的多任务 L1/L2 ElasticNet。

参见词汇表条目交叉验证估计器。

MultiTaskElasticNet 的优化目标是

(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，每行范数的总和。

在用户指南中了解更多。

在 0.15 版本中新增。

参数:
l1_ratio浮点数或浮点数列表，默认值=0.5

ElasticNet 混合参数，取值范围为 0 < l1_ratio <= 1。当 l1_ratio = 1 时，惩罚项是 L1/L2 惩罚。当 l1_ratio = 0 时，惩罚项是 L2 惩罚。当 0 < l1_ratio < 1 时，惩罚项是 L1/L2 和 L2 的组合。此参数可以是列表，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 值列表的一个好的选择通常是更多地将值设置在接近 1（即 Lasso）而不是接近 0（即 Ridge）的范围，例如 [.1, .5, .7, .9, .95, .99, 1]。

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。

自 1.7 版本废弃：n_alphas 在 1.7 版本中被废弃，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

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

自 1.7 版本更改：alphas 接受一个整数值，这消除了传递 n_alphas 的需要。

自 1.7 版本废弃：alphas=None 在 1.7 版本中被废弃，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

是否为模型计算截距。如果设置为 false，计算中将不使用截距（即数据应已中心化）。

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，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

确定交叉验证的拆分策略。cv 的可能输入为

  • None，使用默认的 5 折交叉验证，

  • 整数，指定折数。

  • CV 拆分器,

  • 一个可迭代对象，生成 (train, test) 拆分作为索引数组。

对于整数/None 输入，将使用 KFold。

请参阅用户指南以了解此处可用的各种交叉验证策略。

自 0.22 版本更改：cv 的默认值从 3 折交叉验证变更为 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

详细程度。

n_jobs整数，默认值=None

交叉验证期间使用的 CPU 数量。请注意，仅当给定多个 l1_ratio 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。有关更多详细信息，请参见词汇表。

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。传入一个整数可使多次函数调用产生可复现的输出。请参见词汇表。

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，而不是默认的按顺序遍历特征。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（成本函数公式中的 W）。请注意，coef_ 存储的是 W 的转置，即 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) 或 (n_l1_ratio, n_alphas, n_folds) 的 ndarray

每个折叠上测试集的均方误差，alpha 值可变。

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。

l1_ratio_浮点数

通过交叉验证获得的最佳 l1_ratio。

n_iter_整数

坐标下降求解器为达到最优 alpha 的指定容差所运行的迭代次数。

dual_gap_浮点数

优化结束时最优 alpha 的对偶间隙。

n_features_in_整数

拟合期间看到的特征数量。

在 0.24 版本中新增。

feature_names_in_形状为 (n_features_in_,) 的 ndarray

拟合期间看到的特征名称。仅当 X 的所有特征名称均为字符串时才定义。

在 1.0 版本中新增。

另请参见

MultiTaskElasticNet

带有内置交叉验证的多任务 L1/L2 ElasticNet。

ElasticNetCV

通过交叉验证进行最佳模型选择的弹性网络模型。

MultiTaskLassoCV

使用 L1 范数作为正则化项并内置交叉验证训练的多任务 Lasso 模型。

说明

用于拟合模型的算法是坐标下降法。

在 fit 方法中，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进行拟合。

为避免不必要的内存重复，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 import linear_model
>>> clf = linear_model.MultiTaskElasticNetCV(cv=3)
>>> clf.fit([[0,0], [1, 1], [2, 2]],
...         [[0, 0], [1, 1], [2, 2]])
MultiTaskElasticNetCV(cv=3)
>>> print(clf.coef_)
[[0.52875032 0.46958558]
 [0.52875032 0.46958558]]
>>> print(clf.intercept_)
[0.00166409 0.00166409]
fit(X, y, **params)[source]#

使用坐标下降法拟合 MultiTaskElasticNet 模型。

在 alpha 网格上进行拟合，并通过交叉验证估计最佳 alpha。

参数:
X形状为 (n_samples, n_features) 的 ndarray

训练数据。

y形状为 (n_samples, n_targets) 的 ndarray

训练目标变量。如有必要，将转换为 X 的 dtype。

**params字典，默认值=None

要传递给 CV 拆分器的参数。

在 1.4 版本中新增：仅当 enable_metadata_routing=True 时可用，可以通过 sklearn.set_config(enable_metadata_routing=True) 进行设置。有关更多详细信息，请参见元数据路由用户指南。

返回:
self对象

返回 MultiTaskElasticNet 实例。

get_metadata_routing()[source]#

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。

在 1.4 版本中新增。

返回:
routingMetadataRouter

一个封装路由信息的 MetadataRouter。

get_params(deep=True)[source]#

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作为估计器的子对象的参数。

返回:
params字典

参数名称与其值的映射。

static 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)[source]#

使用坐标下降法计算弹性网络路径。

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，它为

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，它为

(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，每行范数的总和。

在用户指南中了解更多。

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重复。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

传递给弹性网络的介于 0 和 1 之间的数字（l1 和 l2 惩罚项之间的比例）。l1_ratio=1 对应于 Lasso。

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，alpha 将自动设置。

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 矩阵来加速计算。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

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

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

详细程度。

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，强制系数为正值。（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

沿路径计算模型的 alpha 值。

coefs形状为 (n_features, n_alphas) 或 (n_targets, n_features, n_alphas) 的 ndarray

沿路径的系数。

dual_gaps形状为 (n_alphas,) 的 ndarray

每个 alpha 在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项训练的多任务 ElasticNet 模型。

MultiTaskElasticNetCV

带有内置交叉验证的多任务 L1/L2 ElasticNet。

ElasticNet

以组合 L1 和 L2 先验作为正则化项的线性回归。

ElasticNetCV

沿正则化路径迭代拟合的弹性网络模型。

说明

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)[source]#

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)[source]#

返回测试数据上的决定系数。

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()。最佳得分是 1.0，它也可以是负数（因为模型可能任意地差）。一个总是预测 y 期望值而不考虑输入特征的常数模型将得到 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 \(R^2\)。

说明

在回归器上调用 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（除了 MultiOutputRegressor）的 score 方法。

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

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）。请参见用户指南，了解路由机制的工作原理。

每个参数的选项有

  • True：请求元数据，如果提供则传递给 fit。如果未提供元数据，则请求被忽略。

  • False：不请求元数据，且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，元估计器将引发错误。

  • str：元数据应以给定别名而非原始名称传递给元估计器。

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。

在 1.3 版本中新增。

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 中使用。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)[source]#

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 = '$UNCHANGED$') → MultiTaskElasticNetCV[source]#

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）。请参见用户指南，了解路由机制的工作原理。

每个参数的选项有

  • True：请求元数据，如果提供则传递给 score。如果未提供元数据，则请求被忽略。

  • False：不请求元数据，且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，元估计器将引发错误。

  • str：元数据应以给定别名而非原始名称传递给元估计器。

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。

在 1.3 版本中新增。

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 中使用。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。