使用多任务 Lasso 进行联合特征选择#

多任务 lasso 允许联合拟合多个回归问题,强制选择的特征在所有任务中都相同。此示例模拟了顺序测量,每个任务都是一个时间点,并且相关特征的幅度随时间变化而变化,同时保持不变。多任务 lasso 规定在一个时间点选择的特征对所有时间点都是选择的。这使得 Lasso 的特征选择更加稳定。

# Author: Alexandre Gramfort <[email protected]>
# License: BSD 3 clause

生成数据#

import numpy as np

rng = np.random.RandomState(42)

# Generate some 2D coefficients with sine waves with random frequency and phase
n_samples, n_features, n_tasks = 100, 30, 40
n_relevant_features = 5
coef = np.zeros((n_tasks, n_features))
times = np.linspace(0, 2 * np.pi, n_tasks)
for k in range(n_relevant_features):
    coef[:, k] = np.sin((1.0 + rng.randn(1)) * times + 3 * rng.randn(1))

X = rng.randn(n_samples, n_features)
Y = np.dot(X, coef.T) + rng.randn(n_samples, n_tasks)

拟合模型#

from sklearn.linear_model import Lasso, MultiTaskLasso

coef_lasso_ = np.array([Lasso(alpha=0.5).fit(X, y).coef_ for y in Y.T])
coef_multi_task_lasso_ = MultiTaskLasso(alpha=1.0).fit(X, Y).coef_

绘制支持度和时间序列#

import matplotlib.pyplot as plt

fig = plt.figure(figsize=(8, 5))
plt.subplot(1, 2, 1)
plt.spy(coef_lasso_)
plt.xlabel("Feature")
plt.ylabel("Time (or Task)")
plt.text(10, 5, "Lasso")
plt.subplot(1, 2, 2)
plt.spy(coef_multi_task_lasso_)
plt.xlabel("Feature")
plt.ylabel("Time (or Task)")
plt.text(10, 5, "MultiTaskLasso")
fig.suptitle("Coefficient non-zero location")

feature_to_plot = 0
plt.figure()
lw = 2
plt.plot(coef[:, feature_to_plot], color="seagreen", linewidth=lw, label="Ground truth")
plt.plot(
    coef_lasso_[:, feature_to_plot], color="cornflowerblue", linewidth=lw, label="Lasso"
)
plt.plot(
    coef_multi_task_lasso_[:, feature_to_plot],
    color="gold",
    linewidth=lw,
    label="MultiTaskLasso",
)
plt.legend(loc="upper center")
plt.axis("tight")
plt.ylim([-1.1, 1.1])
plt.show()
  • Coefficient non-zero location
  • plot multi task lasso support

脚本总运行时间:(0 分钟 0.288 秒)

相关示例

稀疏信号的基于 L1 的模型

稀疏信号的基于 L1 的模型

使用 LARS 的 Lasso 路径

使用 LARS 的 Lasso 路径

密集和稀疏数据上的 Lasso

密集和稀疏数据上的 Lasso

Lasso 模型选择:AIC-BIC / 交叉验证

Lasso 模型选择:AIC-BIC / 交叉验证

由 Sphinx-Gallery 生成的图库