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]#

使用坐标下降计算 elastic net 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，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}

即每行范数之和。

在用户指南中阅读更多内容。

参数:

Xshape 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{array-like, sparse matrix} of shape (n_samples,) or (n_samples, n_targets): 目标值。
l1_ratiofloat, default=0.5: 传递给弹性网络的值介于0和1之间（L1和L2惩罚之间的缩放）。l1_ratio=1对应于Lasso。
epsfloat, default=1e-3: 路径的长度。eps=1e-3表示alpha_min / alpha_max = 1e-3。
n_alphasint, default=100: 正则化路径上alpha的数量。
alphasarray-like, default=None: 计算模型的alpha列表。如果为None，则自动设置alphas。
precompute‘auto’, bool or array-like of shape (n_features, n_features), default=’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入。
Xyarray-like of shape (n_features,) or (n_features, n_targets), default=None: 可以预计算的Xy = np.dot(X.T, y)。仅当Gram矩阵预计算时有用。
copy_Xbool, default=True: 如果为True，X将被复制；否则，它可能会被覆盖。
coef_initarray-like of shape (n_features, ), default=None: 系数的初始值。
verbosebool or int, default=False: 冗余度级别。
return_n_iterbool, default=False: 是否返回迭代次数。
positivebool, default=False: 如果设置为True，强制系数为正。（仅当y.ndim == 1时允许）。
check_inputbool, default=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:

alphasndarray of shape (n_alphas,): 计算模型的路径上的alphas。
coefsndarray of shape (n_features, n_alphas) or (n_targets, n_features, n_alphas): 路径上的系数。
dual_gapsndarray of shape (n_alphas,): 每个alpha优化结束时的对偶间隙。
n_iterslist of int: 坐标下降优化器为达到每个alpha的指定容忍度所花费的迭代次数。（当return_n_iter设置为True时返回）。

另请参阅

MultiTaskElasticNet: 使用 L1/L2 混合范数作为正则化项训练的多任务 ElasticNet 模型。
MultiTaskElasticNetCV: 具有内置交叉验证的多任务 L1/L2 ElasticNet。
ElasticNet: 具有组合 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的 Elastic Net 模型。

注意事项

有关示例，请参阅examples/linear_model/plot_lasso_lasso_lars_elasticnet_path.py。

底层的坐标下降求解器使用间隙安全筛选规则来加快拟合时间，请参阅坐标下降用户指南。

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.,  0.787,  0.568],
        [ 0.,  1.120,  0.620],
        [-0., -2.129, -1.128],
        [ 0., 23.046, 88.939],
        [ 0., 10.637, 41.566]])

Gallery examples#

Lasso、Lasso-LARS 和 Elastic Net 路径

enet_path#

Gallery examples#

本页