sklearn.linear_model.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)

[源码]

计算具有坐标下降的弹性网络路径。

对于单输出和多输出,弹性网络优化函数各不相同。

单输出任务为:

多输出任务为:

(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}

即每一行的范数之和。

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)
用于训练的数据。直接作为Fortran-contiguous数据传递,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惩罚之间缩放)。l1_ratio=1对应于套索(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数。
alphas ndarray, default=None
用于在其中计算模型的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。如果设置'auto'让我们决定。Gram矩阵也可以作为参数被传递。
Xy array-like of shape (n_features,) or (n_features, n_outputs), default=None
可以预先计算Xy = np.dot(XT,y)。仅当预先计算了Gram矩阵时才有用。
copy_X bool, default=True
如果为True,将复制X;否则,它可能会被覆盖。
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
关键字参数传递给坐标下降求解器。
返回值 说明
alphas ndarray of shape (n_alphas,)
沿模型计算路径的Alpha。
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的指定公差所进行的迭代次数。(当return_n_iter设置为True 时返回)。

另见:

MultiTaskElasticNet

MultiTaskElasticNetCV

ElasticNet

ElasticNetCV

有关示例,请参阅examples/linear_model/plot_lasso_coordinate_descent_path.py.

sklearn.linear_model.enet_path使用示例