L1- Logistic 回归的正则化路径#
在从 Iris 数据集派生的二元分类问题上训练 L1 正则化逻辑回归模型。
模型按正则化强度从强到弱排序。收集模型的 4 个系数并将其绘制为“正则化路径”:在图的左侧(强正则化器),所有系数均为 0。当正则化逐渐放松时,系数可以一个接一个地获得非零值。
这里我们选择 liblinear 求解器,因为它可以有效地优化具有非平滑、稀疏诱导 L1 惩罚的逻辑回归损失。
另请注意,我们为容差设置了一个较低的值,以确保在收集系数之前模型已收敛。
我们还使用 warm_start=True,这意味着模型的系数将被重用以初始化下一个模型拟合,从而加快完整路径的计算速度。
# Author: Alexandre Gramfort <[email protected]>
# License: BSD 3 clause
加载数据#
from sklearn import datasets
iris = datasets.load_iris()
X = iris.data
y = iris.target
X = X[y != 2]
y = y[y != 2]
X /= X.max() # Normalize X to speed-up convergence
计算正则化路径#
import numpy as np
from sklearn import linear_model
from sklearn.svm import l1_min_c
cs = l1_min_c(X, y, loss="log") * np.logspace(0, 10, 16)
clf = linear_model.LogisticRegression(
penalty="l1",
solver="liblinear",
tol=1e-6,
max_iter=int(1e6),
warm_start=True,
intercept_scaling=10000.0,
)
coefs_ = []
for c in cs:
clf.set_params(C=c)
clf.fit(X, y)
coefs_.append(clf.coef_.ravel().copy())
coefs_ = np.array(coefs_)
绘制正则化路径#
import matplotlib.pyplot as plt
plt.plot(np.log10(cs), coefs_, marker="o")
ymin, ymax = plt.ylim()
plt.xlabel("log(C)")
plt.ylabel("Coefficients")
plt.title("Logistic Regression Path")
plt.axis("tight")
plt.show()
脚本总运行时间:(0 分钟 0.119 秒)
相关示例
使用 LARS 的 Lasso 路径
Ridge 系数作为 L2 正则化的函数
逻辑回归中的 L1 惩罚和稀疏性
绘制 Ridge 系数作为正则化的函数