enet_path#

sklearn.linear_model.enet_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)[源代码]#

使用坐标下降法计算弹性网络路径。

弹性网络优化函数因单输出和多输出任务而异。

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}

即每行范数的总和。

在用户指南中阅读更多。

参数:

X{类数组, 稀疏矩阵}，形状为 (n_samples, n_features): 训练数据。直接传递为Fortran连续数据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{类数组, 稀疏矩阵}，形状为 (n_samples,) 或 (n_samples, n_targets): 目标值。
l1_ratio浮点数, 默认值=0.5: 传递给弹性网络（L1和L2惩罚之间的缩放）的0到1之间的数字。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’, 布尔值或类数组，形状为 (n_features, n_features), 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'，则由系统决定。Gram矩阵也可以作为参数传递。
Xy类数组，形状为 (n_features,) 或 (n_features, n_targets), 默认值=None: Xy = np.dot(X.T, y) 可以预先计算。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类数组，形状为 (n_features, ), 默认值=None: 系数的初始值。
verbose布尔值或整型, 默认值=False: 冗余信息的数量。
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（包括在提供Gram矩阵时）。假定它们由调用方处理。
**params关键字参数: 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: 在计算模型的路径上的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整型列表: 坐标下降优化器为每个alpha达到指定容差所花费的迭代次数。（当return_n_iter设置为True时返回）。

另请参阅

MultiTaskElasticNet: 使用L1/L2混合范数作为正则化器训练的多任务弹性网络模型。
MultiTaskElasticNetCV: 带有内置交叉验证的多任务L1/L2弹性网络。
ElasticNet: 结合L1和L2先验作为正则化器的线性回归。
ElasticNetCV: 沿正则化路径迭代拟合的弹性网络模型。

注意

有关示例，请参阅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]])

画廊示例#

Lasso、Lasso-LARS 和弹性网络路径

enet_path#

画廊示例#

本页