弹性网络路径 (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)[source]#
使用坐标下降法计算弹性网络路径。
弹性网络优化函数对于单输出和多输出任务有所不同。
对于单输出任务，其公式为：
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，其公式为：
(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。
更多信息请参见 用户指南。
- 参数：
- X形状为 (n_samples, n_features) 的 {array-like, sparse matrix}
训练数据。为了避免不必要的内存复制，请直接作为 Fortran 连续数据传递。如果
y是单输出，则X可以是稀疏矩阵。- y形状为 (n_samples,) 或 (n_samples, n_targets) 的 {array-like, sparse matrix}
目标值。
- l1_ratiofloat, 默认值=0.5
传递给弹性网络的 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, 默认值=1e-3
路径长度。
eps=1e-3表示alpha_min / alpha_max = 1e-3。- n_alphasint, 默认值=100
正则化路径上的 alpha 数量。
- alphasarray-like, 默认值=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'，则由程序自动决定。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，默认值=None
Xy = np.dot(X.T, y) 可以预先计算。只有在预计算 Gram 矩阵时才有用。
- copy_Xbool, 默认值=True
如果为
True，则复制 X；否则，可能会覆盖 X。- coef_init形状为 (n_features,) 的 array-like，默认值=None
系数的初始值。
- verbosebool 或 int，默认值=False
冗余信息的多少。
- return_n_iterbool, 默认值=False
是否返回迭代次数。
- positivebool, 默认值=False
如果设置为 True，则强制系数为正。（仅当
y.ndim == 1时允许）。- check_inputbool, 默认值=True
如果设置为 False，则跳过输入验证检查（包括提供的 Gram 矩阵）。假设这些检查由调用者处理。
- **paramskwargs
传递给坐标下降求解器的关键字参数。
- 返回值：
- alphas形状为 (n_alphas,) 的 ndarray
计算模型的路径上的 alphas。
- 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 优化结束时的对偶间隙。
- n_iters整数列表
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）。
另请参见
MultiTaskElasticNet使用 L1/L2 混合范数作为正则化器的多任务弹性网络模型。
MultiTaskElasticNetCV具有内置交叉验证的多任务 L1/L2 弹性网络。
ElasticNet使用组合的 L1 和 L2 先验作为正则化器的线性回归。
ElasticNetCV沿正则化路径进行迭代拟合的弹性网络模型。
备注
示例请参见 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...]])
