MultiTaskLassoCV#

class sklearn.linear_model.MultiTaskLassoCV(*, eps=0.001, n_alphas='deprecated', alphas='warn', 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训练的多任务 Lasso 模型。

请参见交叉验证估计器的术语表条目。

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}

即每行的范数之和。

在用户指南中阅读更多信息。

始于版本 0.15。

参数:

eps浮点型, 默认值=1e-3

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

n_alphas整型, 默认值=100

正则化路径上的 alpha 数量。

自版本 1.7 起已废弃： n_alphas 在 1.7 版本中已废弃，并将在 1.9 版本中移除。请改用 alphas。

alphas类数组或整型, 默认值=None

正则化路径上要测试的 alpha 值。如果为整型，alphas 值将自动生成。如果为类数组，则为要使用的 alpha 值列表。

自版本 1.7 变更： alphas 接受一个整数值，从而无需传递 n_alphas。

自版本 1.7 起已废弃： alphas=None 在 1.7 版本中已废弃，并将在 1.9 版本中移除，届时默认值将设置为 100。

fit_intercept布尔型, 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（即数据预期为中心化的）。

max_iter整型, 默认值=1000

最大迭代次数。

tol浮点型, 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以确定最优性，并继续直到其小于 tol。

copy_X布尔型, 默认值=True

如果为 True，X 将被复制；否则，可能会被覆盖。

cv整型, 交叉验证生成器或可迭代对象, 默认值=None

确定交叉验证分割策略。cv 的可能输入包括：

None，使用默认的 5 折交叉验证，
整型，指定折叠数。
CV 分割器,
一个可迭代对象，产生作为索引数组的 (训练集, 测试集) 分割。

对于整型/None 输入，使用KFold。

请参阅用户指南，了解此处可使用的各种交叉验证策略。

自版本 0.22 变更：如果为 None，cv 的默认值从 3 折更改为 5 折。

verbose布尔型或整型, 默认值=False

冗余度。

n_jobs整型, 默认值=None

交叉验证期间使用的 CPU 数量。请注意，这仅在给定多个 l1_ratio 值时使用。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，请参见术语表。

random_state整型, RandomState 实例, 默认值=None

选择要更新的随机特征的伪随机数生成器的种子。当 selection == 'random' 时使用。传入一个整型值以在多次函数调用中获得可重现的输出。请参见术语表。

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

如果设置为 'random'，则每次迭代更新一个随机系数，而不是默认按顺序遍历特征。这（设置为 'random'）通常会导致显著更快的收敛，尤其当 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_浮点型: 通过交叉验证选择的惩罚量。
mse_path_形状为 (n_alphas, n_folds) 的 ndarray: 各折叠测试集的均方误差，alpha 值可变。
alphas_形状为 (n_alphas,) 的 ndarray: 用于拟合的 alpha 网格。
n_iter_整型: 坐标下降求解器为达到最优 alpha 的指定容差而运行的迭代次数。
dual_gap_浮点型: 最优 alpha 优化结束时的对偶间隙。
n_features_in_整型: fit 期间遇到的特征数量。

始于版本 0.24。
feature_names_in_形状为 (n_features_in_,) 的 ndarray: fit 期间遇到的特征名称。仅当 X 的所有特征名称均为字符串时才定义。

始于版本 1.0。

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。
ElasticNetCV: 通过交叉验证选择最佳模型的 Elastic net 模型。
MultiTaskElasticNetCV: 具有内置交叉验证的多任务 L1/L2 ElasticNet。

注意

用于拟合模型的算法是坐标下降法。

在 fit 中，一旦通过交叉验证找到最佳参数 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 和 y 参数应直接作为 Fortran 连续的 NumPy 数组传入。

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 通过交叉验证估算。

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: 传递给 CV 分割器的参数。

始于版本 1.4：仅当 enable_metadata_routing=True 时可用，这可以通过 sklearn.set_config(enable_metadata_routing=True) 进行设置。有关更多详细信息，请参阅元数据路由用户指南。

返回:

self对象: 返回拟合模型的实例。

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。

始于版本 1.4。

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布尔型, 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: 参数名称及其对应的值。

static 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)[source]#

使用坐标下降计算 Lasso 路径。

Lasso 优化函数在单输出和多输出任务中有所不同。

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。

在用户指南中阅读更多信息。

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 连续数据传入，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。
eps浮点型, 默认值=1e-3: 路径长度。eps=1e-3 表示 alpha_min / alpha_max = 1e-3。
n_alphas整型, 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', 布尔型或形状为 (n_features, n_features) 的类数组, 默认值='auto': 是否使用预先计算的 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入。
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) 可以预先计算。仅当 Gram 矩阵预先计算时才有用。
copy_X布尔型, 默认值=True: 如果为 True，X 将被复制；否则，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布尔型或整型, 默认值=False: 冗余度。
return_n_iter布尔型, 默认值=False: 是否返回迭代次数。
positive布尔型, 默认值=False: 如果设置为 True，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: 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: 各 alpha 优化结束时的对偶间隙。
n_iters整型列表: 坐标下降优化器达到各 alpha 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。
Lasso: Lasso 是一种估计稀疏系数的线性模型。
LassoLars: 使用最小角回归（又称 Lars）拟合的 Lasso 模型。
LassoCV: 沿着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固定原子稀疏线性组合的估计器。

注意

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

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 数组传入。

请注意，在某些情况下，Lars 求解器实现此功能可能明显更快。特别是，线性插值可用于在 lars_path 输出值之间检索模型系数

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, 形状为 (n_samples, n_features): 样本。

返回:

C数组, 形状为 (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，也可能为负（因为模型可能任意差）。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，这可能是预先计算的核矩阵，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浮点型: self.predict(X) 相对于 y 的 $R^2$ 分数。

注意

对回归器调用 score 时使用的 $R^2$ 分数自版本 0.23 起使用 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（MultiOutputRegressor 除外）的 score 方法。

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，此方法仅在 enable_metadata_routing=True 时才相关（参见sklearn.set_config）。请查阅用户指南，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，则忽略该请求。
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。

始于版本 1.3。

注意

此方法仅当此估计器用作元估计器（例如在Pipeline内部使用）的子估计器时才相关。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。

该方法适用于简单估计器以及嵌套对象（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 = '$UNCHANGED$') → MultiTaskLassoCV[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）。请查阅用户指南，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 score。如果未提供元数据，则忽略该请求。
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。

始于版本 1.3。

注意

此方法仅当此估计器用作元估计器（例如在Pipeline内部使用）的子估计器时才相关。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。

MultiTaskLassoCV#

此页