sklearn.linear_model.ElasticNetCV¶
class sklearn.linear_model.ElasticNetCV(*, l1_ratio=0.5, eps=0.001, n_alphas=100, alphas=None, fit_intercept=True, normalize=False, precompute='auto', max_iter=1000, tol=0.0001, cv=None, copy_X=True, verbose=0, n_jobs=None, positive=False, random_state=None, selection='cyclic')
沿着正则化路径具有迭代拟合的弹性网模型。
有关交叉验证估算器,请参阅词汇表条目。
在用户指南中阅读更多内容。
参数 | 说明 |
---|---|
l1_ratio | float or list of float, default=0.5 0到1之间的浮点数传递给弹性网(在L1和L2罚分之间缩放)。对于 l1_ratio = 0 是L2惩罚。l1_ratio = 1 是L1惩罚。对于0 < l1_ratio < 1 ,惩罚是L1和L2的组合。此参数可以是列表,在这种情况下,通过交叉验证测试不同的值,并使用给出最佳预测得分的值。注意,l1_ratio值列表的一个很好的选择通常是使更多的值接近1(即Lasso),少接近0(即Ridge),如[.1, .5, .7, .9, .95, .99, 1] |
eps | float, default=1e-3 路径的长度。 eps=1e-3 意味着alpha_min / alpha_max = 1e-3 。 |
n_alphas | int, default=100 沿正则化路径的Alpha个数,用于每个l1_ratio。 |
alphas | ndarray, default=None 用于计算模型的alpha列表。如果为None自动设置Alpha。 |
fit_intercept | bool, default=True 是否计算该模型的截距。如果设置为false,则在计算中将不使用截距(即数据应中心化)。 |
normalize | bool, default=Falsefit_intercept 设置为False 时,将忽略此参数。如果为True,则在回归之前通过减去均值并除以l2-范数来对回归变量X进行归一化。如果你希望标准化,请先使用 sklearn.preprocessing.StandardScaler ,然后调用fit 估算器并设置normalize=False 。 |
precompute | ‘auto’, bool or array-like of shape (n_features, n_features), default=’auto’ 是否使用预先计算的Gram矩阵来加快计算速度。Gram矩阵也可以作为参数传递。 |
max_iter | int, default=1000 最大迭代次数。 |
tol | float, default=1e-4 优化的容忍度:如果更新小于 tol ,则优化代码检查对偶间隙的最优性,并继续进行直到其小于tol 。 |
cv | int, cross-validation generator or iterable, default=None 确定交叉验证拆分策略。可能的输入是: - None,使用默认的5折交叉验证 - int,用于指定折叠数。 - CV分割器, - 可迭代生成(分割训练、测试)索引数组。 对于int / None输入,使用 KFold 。有关可在此处使用的各种交叉验证策略,请参阅用户指南。 在0.22版本中更改: cv 如果是“None”,默认值从3更改为5。 |
copy_X | bool, default=True 如果 True ,将复制X;否则X可能会被覆盖。 |
verbose | bool or int, default=0 日志详细程度。 |
n_jobs | int, default=None 交叉验证期间要使用的CPU核心数量。 除非在上下文中设置了 joblib.parallel_backend ,否则None 表示1 。 -1 表示使用所有处理器。有关更多详细信息,请参见词汇表。 |
positive | bool, default=False 设置为时 True ,强制系数为正。 |
random_state | int, RandomState instance, default=None 更新特征随机选择的伪随机数生成器种子。在 selection =='random'时使用。在多个函数调用之间传递同一个整数实现可重复的输出。请参阅词汇表。 |
selection | {‘cyclic’, ‘random’}, default=’cyclic’ 如果设置为“random”,则随机系数将在每次迭代时更新,而不是默认情况下按顺序遍历特征。这(设置为“random”)通常会导致收敛更快,尤其是当tol高于1e-4时。 |
属性 | 说明 |
---|---|
alpha_ | float 交叉验证选择的惩罚量 |
l1_ratio_ | float 交叉验证所选择的l1和l2惩罚之间的折中 |
coef_ | ndarray of shape (n_features,) or (n_targets, n_features) 参数向量(目标函数公式中的w)。 |
intercept_ | float or ndarray of shape (n_targets, n_features) 目标函数中的截距。 |
mse_path_ | ndarray of shape (n_l1_ratio, n_alpha, n_folds) 每次折叠l1_ratio和alpha组合下测试集的均方误差。 |
alphas_ | ndarray of shape (n_alphas,) or (n_l1_ratio, n_alphas) 对于每个l1_ratio,用于拟合的alpha网格。 |
n_iter_ | int 坐标下降求解器运行的迭代次数,以达到指定容忍度的最优alpha。 |
另见
注
有关示例,请参见 examples / linear_model / plot_lasso_model_selection.py。
为了避免不必要的内存重复,fit方法的X参数应该作为一个Fortran-contiguous numpy数组直接传递。
参数l1_ratio对应于glmnet R包中的alpha,而alpha对应于glmnet中的lambda参数。更具体的说,优化目标是:
如果你有兴趣分别控制L1和L2惩罚,这等效于:
这里:
示例
>>> from sklearn.linear_model import ElasticNetCV
>>> from sklearn.datasets import make_regression
>>> X, y = make_regression(n_features=2, random_state=0)
>>> regr = ElasticNetCV(cv=5, random_state=0)
>>> regr.fit(X, y)
ElasticNetCV(cv=5, random_state=0)
>>> print(regr.alpha_)
0.199...
>>> print(regr.intercept_)
0.398...
>>> print(regr.predict([[0, 0]]))
[0.398...]
方法
方法 | 说明 |
---|---|
fit (X, y) |
用坐标下降法拟合模型。 |
get_params ([deep]) |
获取此估计器的参数。 |
path (X, y, *[, l1_ratio, eps, n_alphas, …]) |
计算具有坐标下降的弹性网路径。 |
predict (X) |
使用线性模型进行预测。 |
score (X, y[, sample_weight]) |
返回预测的确定系数R ^ 2。 |
set_params (**params) |
设置此估算器的参数。 |
__init__(*, l1_ratio=0.5, eps=0.001, n_alphas=100, alphas=None, fit_intercept=True, normalize=False, precompute='auto', max_iter=1000, tol=0.0001, cv=None, copy_X=True, verbose=0, n_jobs=None, positive=False, random_state=None, selection='cyclic')
初始化self, 请参阅help(type(self))以获得准确的说明。
fit(X,y)
用坐标下降法拟合模型。
在Alpha网格上拟合并通过交叉验证估算出最佳Alpha。
参数 | 说明 |
---|---|
X | {array-like, sparse matrix} of shape (n_samples, n_features) 训练数据。直接作为Fortran-contiguous数据传递,以避免不必要的内存重复。如果y是单输出,则X可以是稀疏的。 |
y | array-like of shape (n_samples,) or (n_samples, n_targets) 目标值。 |
get_params(deep=True)
获取此估计量的参数。
参数 | 说明 |
---|---|
deep | bool, default=True 如果为True,则将返回此估算器和所包含子对象的参数。 |
返回值 | 说明 |
---|---|
params | mapping of string to any 参数名称映射到其值。 |
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)
计算具有坐标下降的弹性网路径。
弹性网优化函数针对单输出和多输出而变化。
对于单输出任务,它是:
对于多输出任务,它是:
这里
即每一行的范数之和。
在用户指南中阅读更多内容。
参数 | 说明 |
---|---|
X | {array-like, sparse matrix} of shape (n_samples, n_features) 训练数据。直接作为Fortran-contiguous数据传递,以避免不必要的内存重复。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_outputs) 目标值。 |
l1_ratio | float, default=0.5 0到1之间的数字传递给弹性网(在L1和L2罚分之间缩放)。 l1_ratio=1 对应于Lasso。 |
eps | float, default=1e-3 路径的长度。 eps=1e-3 意味着 alpha_min / alpha_max = 1e-3 。 |
n_alphas | int, default=100 沿着正则化路径的Alpha个数。 |
alphas | ndarray, default=None 用于计算模型的alpha列表。如果为None,则自动设置Alpha。 |
precompute | ‘auto’, bool or array-like of shape (n_features, n_features), default=’auto’ 是否使用预先计算的Gram矩阵来加快计算速度。Gram矩阵也可以作为参数传递。 |
Xy | array-like of shape (n_features,) or (n_features, n_outputs), default=None Xy = np.dot(XT,y)可以预先计算。仅当预先计算了Gram矩阵时才有用。 |
copy_X | bool, default=True 如果 True ,将复制X;否则X可能会被覆盖。 |
coef_init | ndarray of shape (n_features, ), default=None 系数的初始值。 |
verbose | bool or int, default=False 详细程度。 |
return_n_iter | bool, default=False 是否返回迭代次数。 |
positive | bool, default=False 如果设置为True,则强制系数为正。(仅当 y.ndim == 1 时允许)。 |
check_input | bool, default=True 跳过输入验证检查,包括提供的Gram矩阵(假设提供),假设在check_input = False时由调用方处理。 |
**params | kwargs 传递给坐标下降求解器的关键字参数。 |
返回值 | 说明 |
---|---|
alphas | ndarray of shape (n_alphas,) 沿模型计算路径的Alpha值。 |
coefs | ndarray of shape (n_features, n_alphas) or (n_outputs, n_features, n_alphas) 沿路径的系数。 |
dual_gaps | ndarray of shape (n_alphas,) 每个alpha优化结束时的双重间隔。 |
n_iters | list of int 坐标下降优化器为达到每个alpha的指定容差所进行的迭代次数。(当 return_n_iter 设置为True 时返回)。 |
另见
注
有关示例,请参见 examples / linear_model / plot_lasso_coordinate_descent_path.py。
predict(X)
[源码]
使用线性模型进行预测。
参数 | 说明 |
---|---|
X | array_like or sparse matrix, shape (n_samples, n_features) 样本数据 |
返回值 | 说明 |
---|---|
C | array, shape (n_samples,) 返回预测值。 |
score(X, y, sample_weight=None)
[源码]
返回预测的确定系数R ^ 2。
系数R ^ 2定义为(1- 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()。可能的最高得分为1.0,并且也可能为负(因为该模型可能会更差)。一个常数模型总是预测y的期望值,而不考虑输入特征,得到的R^2得分为0.0。
参数 | 说明 |
---|---|
X | array-like of shape (n_samples, n_features) 测试样本。对于某些估计量,这可以是预先计算的内核矩阵或通用对象列表,形状为(n_samples,n_samples_fitted),其中n_samples_fitted是用于拟合估计器的样本数。 |
y | array-like of shape (n_samples,) or (n_samples, n_outputs) X的真实值。 |
sample_weight | array-like of shape (n_samples,), default=None 样本权重。 |
返回值 | 说明 |
---|---|
score | float 预测值与真实值的R^2。 |
注
调用回归器中的score
时使用的R2分数,multioutput='uniform_average'
从0.23版开始使用 ,与r2_score
默认值保持一致。这会影响多输出回归的score
方法( MultiOutputRegressor
除外)。
set_params(**params)
[源码]
设置此估计器的参数。
该方法适用于简单的估计器以及嵌套对象(例如管道)。后者具有形式为 <component>__<parameter>
的参数,这样就可以更新嵌套对象的每个组件。
参数 | 说明 |
---|---|
**params | dict 估计器参数。 |
返回值 | 说明 |
---|---|
self | object 估计器实例。 |