多任务弹性网络#

class sklearn.linear_model.MultiTaskElasticNet(alpha=1.0, *, l1_ratio=0.5, fit_intercept=True, copy_X=True, max_iter=1000, tol=0.0001, warm_start=False, random_state=None, selection='cyclic')[source]#

使用L1/L2混合范数作为正则化项的多任务ElasticNet模型。

MultiTaskElasticNet的优化目标是：

(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)

即每一行的范数之和。

更多信息请阅读用户指南。

参数：

alphafloat, default=1.0: 乘以L1/L2项的常数。默认为1.0。
l1_ratiofloat, default=0.5: ElasticNet混合参数，其中0 < l1_ratio <= 1。对于l1_ratio = 1，惩罚项为L1/L2惩罚。对于l1_ratio = 0，惩罚项为L2惩罚。对于0 < l1_ratio < 1，惩罚项是L1/L2和L2的组合。
fit_interceptbool, default=True: 是否计算该模型的截距。如果设置为false，则计算中不使用截距（即数据应居中）。
copy_Xbool, default=True: 如果True，则复制X；否则，可能会被覆盖。
max_iterint, default=1000: 最大迭代次数。
tolfloat, default=1e-4: 优化的容差：如果更新小于tol，优化代码会检查对偶间隙的优化性，并持续进行直到它小于tol。
warm_startbool, default=False: 设置为True时，重复使用先前fit调用结果作为初始化，否则，清除之前的解。参见术语表。
random_stateint, RandomState instance, default=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。传递一个整数以在多次函数调用中获得可重复的输出。参见术语表。
selection{‘cyclic’, ‘random’}, default=’cyclic’: 如果设置为'random'，则每次迭代都会更新一个随机系数，而不是默认情况下按顺序循环遍历特征。这（设置为'random'）通常会导致更快的收敛，尤其是在tol高于1e-4时。

属性：

intercept_ndarray of shape (n_targets,): 判定函数中的独立项。
coef_ndarray of shape (n_targets, n_features): 参数向量（代价函数公式中的W）。如果在拟合时传入一维y（非多任务用法），则coef_为一维数组。请注意，coef_存储W的转置W.T。
n_iter_int: 坐标下降求解器为达到指定容差而运行的迭代次数。
dual_gap_float: 优化结束时的对偶间隙。
eps_float: 由目标y的方差缩放的容差。
sparse_coef_sparse matrix of shape (n_features,) or (n_targets, n_features): 拟合的coef_的稀疏表示。
n_features_in_int: 在拟合期间看到的特征数量。

版本0.24中添加。
feature_names_in_ndarray of shape (n_features_in_,): 在拟合期间看到的特征名称。仅当X具有全是字符串的特征名称时定义。

版本1.0中添加。

另请参见

MultiTaskElasticNetCV: 具有内置交叉验证的多任务L1/L2 ElasticNet。
ElasticNet: 使用组合的L1和L2先验作为正则化项的线性回归。
MultiTaskLasso: 使用L1/L2混合范数作为正则化项的多任务Lasso模型。

备注

用于拟合模型的算法是坐标下降。

为了避免不必要的内存重复，fit方法的X和y参数应直接作为Fortran连续的numpy数组传递。

示例

>>> from sklearn import linear_model
>>> clf = linear_model.MultiTaskElasticNet(alpha=0.1)
>>> clf.fit([[0,0], [1, 1], [2, 2]], [[0, 0], [1, 1], [2, 2]])
MultiTaskElasticNet(alpha=0.1)
>>> print(clf.coef_)
[[0.45663524 0.45612256]
 [0.45663524 0.45612256]]
>>> print(clf.intercept_)
[0.0872422 0.0872422]

fit(X, y)[source]#

使用坐标下降拟合MultiTaskElasticNet模型。

参数：

X形状为 (n_samples, n_features) 的 ndarray: 数据。
y形状为 (n_samples, n_targets) 的 ndarray: 目标值。如有必要，将被转换为 X 的 dtype。

返回:

self对象: 已拟合的估计器。

备注

坐标下降是一种一次考虑数据每一列的算法，因此它会在必要时自动将 X 输入转换为 Fortran 连续的 NumPy 数组。

为了避免内存重新分配，建议直接使用这种格式在内存中分配初始数据。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查看用户指南，了解路由机制的工作原理。

返回:

routingMetadataRequest: 一个 MetadataRequest 封装了路由信息。

get_params(deep=True)[source]#

获取此估计器的参数。

参数：

deepbool，默认为 True: 如果为 True，则将返回此估计器和包含的作为估计器的子对象的参数。

返回:

paramsdict: 参数名称与其值的映射。

static 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)[source]#

使用坐标下降计算弹性网路径。

弹性网优化函数在单输出和多输出情况下有所不同。

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}

即每行的范数之和。

在用户指南中了解更多信息。

参数：

X形状为 (n_samples, n_features) 的 {array-like, sparse matrix}: 训练数据。直接作为 Fortran 连续数据传递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 {array-like, sparse matrix}: 目标值。
l1_ratiofloat, default=0.5: 传递给弹性网的 0 到 1 之间的数字（l1 和 l2 惩罚之间的缩放）。l1_ratio=1 对应于 Lasso。
epsfloat，默认为 1e-3: 路径的长度。eps=1e-3 表示 alpha_min / alpha_max = 1e-3。
n_alphasint，默认为 100: 正则化路径上的 alpha 个数。
alphasarray-like，默认为 None: 计算模型的 alpha 列表。如果为 None，则自动设置 alpha。
precompute‘auto’、bool 或形状为 (n_features, n_features) 的 array-like，默认为 ‘auto’: 是否使用预计算的 Gram 矩阵来加快计算速度。如果设置为 'auto'，则由我们决定。Gram 矩阵也可以作为参数传递。
Xy形状为 (n_features,) 或 (n_features, n_targets) 的 array-like，默认为 None: Xy = np.dot(X.T, y) 可以预计算。仅当预计算 Gram 矩阵时才有用。
copy_Xbool, default=True: 如果True，则复制X；否则，可能会被覆盖。
coef_init形状为 (n_features,) 的 array-like，默认为 None: 系数的初始值。
verbosebool 或 int，默认为 False: 详细程度。
return_n_iterbool，默认为 False: 是否返回迭代次数。
positivebool，默认为 False: 如果设置为 True，则强制系数为正。（仅当 y.ndim == 1 时允许）。
check_inputbool，默认为 True: 如果设置为 False，则跳过输入验证检查（包括提供的 Gram 矩阵）。假定这些检查由调用者处理。
**params**kwargs: 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: 计算模型的路径上的 alphas 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: 每个 alpha 的优化结束时的对偶间隙。
n_iters整数列表: 坐标下降优化器为达到每个 alpha 的指定容差所用的迭代次数。（当 return_n_iter 设置为 True 时返回）。

另请参见

MultiTaskElasticNet: 使用L1/L2混合范数作为正则化项的多任务ElasticNet模型。
MultiTaskElasticNetCV: 具有内置交叉验证的多任务L1/L2 ElasticNet。
ElasticNet: 使用组合的L1和L2先验作为正则化项的线性回归。
ElasticNetCV: 具有沿正则化路径迭代拟合功能的弹性网络模型。

备注

例如，请参见 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.        ,  0.78...,  0.56...],
        [ 0.        ,  1.12...,  0.61...],
        [-0.        , -2.12..., -1.12...],
        [ 0.        , 23.04..., 88.93...],
        [ 0.        , 10.63..., 41.56...]])

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]#

返回预测结果的决定系数。

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()，而 $v$ 是总平方和 ((y_true - y_true.mean()) ** 2).sum()。最佳分数为 1.0，也可能为负数（因为模型可以任意差）。始终预测 y 的期望值而不考虑输入特征的常数模型将获得 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，这可能是预计算的核矩阵，或者形状为 (n_samples, n_samples_fitted) 的泛型对象列表，其中 n_samples_fitted 是估计器拟合中使用的样本数。
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，默认为 None: 样本权重。

返回:

score浮点数: self.predict(X) 关于 y 的 $R^2$。

备注

从 0.23 版本开始，调用回归器的 score 时使用的 $R^2$ 分数使用 multioutput='uniform_average'，以保持与 r2_score 的默认值一致。这会影响所有多输出回归器的 score 方法（MultiOutputRegressor 除外）。

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → MultiTaskElasticNet[source]#

请求传递给 fit 方法的元数据。

请注意，只有当 enable_metadata_routing=True 时（参见 sklearn.set_config），此方法才相关。请参阅用户指南，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，则忽略请求。
False：不请求元数据，元估计器不会将其传递给 fit。
None：不请求元数据，如果用户提供元数据，则元估计器将引发错误。
str：元数据应使用此给定的别名而不是原始名称传递给元估计器。

默认值（sklearn.utils.metadata_routing.UNCHANGED）保留现有的请求。这允许您更改某些参数的请求，而无需更改其他参数。

1.3 版本中新增。

注意

仅当此估计器用作元估计器的子估计器时（例如，在 Pipeline 中使用）此方法才相关。否则，它无效。

参数：

sample_weightstr、True、False 或 None，默认为 sklearn.utils.metadata_routing.UNCHANGED: fit 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。

此方法适用于简单的估计器以及嵌套对象（例如 Pipeline）。后者具有 <component>__<parameter> 形式的参数，以便可以更新嵌套对象的每个组件。

参数：

**params**dict: 估计器参数。

返回:

selfestimator instance: 估计器实例。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → MultiTaskElasticNet[source]#

请求传递给 score 方法的元数据。

请注意，只有当 enable_metadata_routing=True 时（参见 sklearn.set_config），此方法才相关。请参阅用户指南，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，则忽略请求。
False：不请求元数据，元估计器不会将其传递给 score。
None：不请求元数据，如果用户提供元数据，则元估计器将引发错误。
str：元数据应使用此给定的别名而不是原始名称传递给元估计器。

默认值（sklearn.utils.metadata_routing.UNCHANGED）保留现有的请求。这允许您更改某些参数的请求，而无需更改其他参数。

1.3 版本中新增。

注意

仅当此估计器用作元估计器的子估计器时（例如，在 Pipeline 中使用）此方法才相关。否则，它无效。

参数：

sample_weightstr、True、False 或 None，默认为 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。

property sparse_coef_#: 拟合的coef_的稀疏表示。