通过信息准则选择 Lasso 模型#
此示例再现了 [ZHT2007] 中图 2 的示例。在糖尿病数据集上拟合 LassoLarsIC
估计器,并使用 AIC 和 BIC 准则选择最佳模型。
注意
重要的是要注意,使用 LassoLarsIC
查找 alpha
的优化依赖于样本内计算的 AIC 或 BIC 准则,因此直接在训练集上进行。这种方法不同于交叉验证程序。有关这两种方法的比较,您可以参考以下示例:Lasso 模型选择:AIC-BIC / 交叉验证。
参考文献
# Author: Alexandre Gramfort
# Guillaume Lemaitre
# License: BSD 3 clause
我们将使用糖尿病数据集。
from sklearn.datasets import load_diabetes
X, y = load_diabetes(return_X_y=True, as_frame=True)
n_samples = X.shape[0]
X.head()
Scikit-learn 提供了一个名为 LassoLarsIC
的估计器,它使用 Akaike 信息准则 (AIC) 或贝叶斯信息准则 (BIC) 来选择最佳模型。在拟合此模型之前,我们将缩放数据集。
在下文中,我们将拟合两个模型以比较 AIC 和 BIC 报告的值。
from sklearn.linear_model import LassoLarsIC
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
lasso_lars_ic = make_pipeline(StandardScaler(), LassoLarsIC(criterion="aic")).fit(X, y)
为了与 [ZHT2007] 中的定义一致,我们需要重新调整 AIC 和 BIC。实际上,与从线性模型的最大对数似然导出的 AIC 的原始定义相比,Zou 等人忽略了一些常数项。您可以参考 用户指南的数学细节部分。
import numpy as np
aic_criterion = zou_et_al_criterion_rescaling(
lasso_lars_ic[-1].criterion_,
n_samples,
lasso_lars_ic[-1].noise_variance_,
)
index_alpha_path_aic = np.flatnonzero(
lasso_lars_ic[-1].alphas_ == lasso_lars_ic[-1].alpha_
)[0]
lasso_lars_ic.set_params(lassolarsic__criterion="bic").fit(X, y)
bic_criterion = zou_et_al_criterion_rescaling(
lasso_lars_ic[-1].criterion_,
n_samples,
lasso_lars_ic[-1].noise_variance_,
)
index_alpha_path_bic = np.flatnonzero(
lasso_lars_ic[-1].alphas_ == lasso_lars_ic[-1].alpha_
)[0]
现在我们已经收集了 AIC 和 BIC,我们也可以检查两个准则的最小值是否出现在相同的 alpha 处。然后,我们可以简化以下绘图。
index_alpha_path_aic == index_alpha_path_bic
True
最后,我们可以绘制 AIC 和 BIC 准则以及随后选择的正则化参数。
import matplotlib.pyplot as plt
plt.plot(aic_criterion, color="tab:blue", marker="o", label="AIC criterion")
plt.plot(bic_criterion, color="tab:orange", marker="o", label="BIC criterion")
plt.vlines(
index_alpha_path_bic,
aic_criterion.min(),
aic_criterion.max(),
color="black",
linestyle="--",
label="Selected alpha",
)
plt.legend()
plt.ylabel("Information criterion")
plt.xlabel("Lasso model sequence")
_ = plt.title("Lasso model selection via AIC and BIC")
脚本总运行时间:(0 分 0.120 秒)
相关示例
Lasso 模型选择:AIC-BIC / 交叉验证
高斯混合模型选择
随机梯度下降的提前停止
基于 L1 的稀疏信号模型