Python sklearn ElasticNetCV.path用法及代码示例

本文简要介绍python语言中 sklearn.linear_model.ElasticNetCV.path 的用法。

用法:

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)

使用坐标下降计算弹性网络路径。

弹性网络优化函数因单声道和multi-outputs 而异。

对于mono-output 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multi-output 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。

在用户指南中阅读更多信息。

参数：

X：{类数组，稀疏矩阵}，形状为 (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 mono-output 那么 X 可以是稀疏的。

y：{类似数组的稀疏矩阵}，形状为 (n_samples,) 或 (n_samples, n_targets)

目标值。

l1_ratio：浮点数，默认=0.5

0 到 1 之间的数字传递给弹性网络(在 l1 和 l2 惩罚之间缩放)。 l1_ratio=1 对应于套索。

eps：浮点数，默认=1e-3

路径的长度。 eps=1e-3 表示 alpha_min / alpha_max = 1e-3 。

n_alphas：整数，默认=100

正则化路径上的 alpha 数量。

alphas：ndarray，默认=无

计算模型的 alpha 列表。如果 None alphas 是自动设置的。

precompute：‘auto’，布尔型或类似数组的形状 (n_features, n_features)，默认=’auto’

是否使用预先计算的 Gram 矩阵来加速计算。如果设置为'auto'，让我们决定。 Gram 矩阵也可以作为参数传递。

Xy：形状为 (n_features,) 或 (n_features, n_targets) 的类似数组，默认=无

Xy = np.dot(X.T, y) 可以预先计算。仅在预先计算了 Gram 矩阵时才有用。

copy_X：布尔，默认=真

如果 True ，X 将被复制；否则，它可能会被覆盖。

coef_init：ndarray 形状 (n_features, ), 默认=None

系数的初始值。

verbose：bool 或 int，默认 = False

详细程度。

return_n_iter：布尔，默认=假

是否返回迭代次数。

positive：布尔，默认=假

如果设置为 True，则强制系数为正。 (仅在 y.ndim == 1 时允许)。

check_input：布尔，默认=真

如果设置为 False，则跳过输入验证检查(包括提供的 Gram 矩阵)。假设它们由调用者处理。

**params：夸格斯

传递给坐标下降求解器的关键字参数。

返回：

alphas：ndarray 形状 (n_alphas,)

沿着计算模型的路径的 alpha。

coefs：ndarray 形状 (n_features, n_alphas) 或 (n_targets, n_features, n_alphas)

沿路径的系数。

dual_gaps：ndarray 形状 (n_alphas,)

每个 alpha 优化结束时的对偶间隙。

n_iters：int列表

坐标下降优化器为达到每个 alpha 的指定容差所采取的迭代次数。 (当 return_n_iter 设置为 True 时返回)。

注意：

例如，请参见例子/linear_model/plot_lasso_coordinate_descent_path.py.