Python sklearn Lasso用法及代码示例

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

用法:

class sklearn.linear_model.Lasso(alpha=1.0, *, fit_intercept=True, normalize='deprecated', precompute=False, copy_X=True, max_iter=1000, tol=0.0001, warm_start=False, positive=False, random_state=None, selection='cyclic')

使用 L1 先验作为正则化器(又名 Lasso)训练的线性模型。

Lasso 的优化目标是：

(1 / (2 * n_samples)) * ||y - Xw||^2_2 + alpha * ||w||_1

从技术上讲，Lasso 模型使用l1_ratio=1.0(无 L2 惩罚)优化与弹性网络相同的目标函数。

在用户指南中阅读更多信息。

参数：

alpha：浮点数，默认=1.0

乘以 L1 项的常数。默认为 1.0。 alpha = 0 相当于普通的最小二乘，由 LinearRegression 对象解决。出于数字原因，不建议将 alpha = 0 与 Lasso 对象一起使用。鉴于此，您应该使用 LinearRegression 对象。

fit_intercept：布尔，默认=真

是否计算此模型的截距。如果设置为 False，则不会在计算中使用截距(即数据应居中)。

normalize：布尔，默认=假

当 fit_intercept 设置为 False 时忽略此参数。如果为 True，则回归量 X 将在回归前通过减去均值并除以 l2 范数进行归一化。如果您希望标准化，请在使用 normalize=False 对估计器调用 fit 之前使用 StandardScaler 。

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

是否使用预先计算的 Gram 矩阵来加速计算。 Gram 矩阵也可以作为参数传递。对于稀疏输入，此选项始终为 False 以保持稀疏性。

copy_X：布尔，默认=真

如果 True ，X 将被复制；否则，它可能会被覆盖。

max_iter：整数，默认=1000

最大迭代次数。

tol：浮点数，默认=1e-4

优化的容差：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直到它小于 tol 。

warm_start：布尔，默认=假

当设置为 True 时，重用之前调用的解决方案作为初始化，否则，只需擦除之前的解决方案。请参阅词汇表。

positive：布尔，默认=假

当设置为 True 时，强制系数为正。

random_state：int，RandomState 实例，默认=无

选择要更新的随机特征的伪随机数生成器的种子。当selection == ‘random’ 时使用。传递 int 以获得跨多个函数调用的可重现输出。请参阅词汇表。

selection：{‘cyclic’, ‘random’}，默认='循环'

如果设置为‘random’，则每次迭代都会更新随机系数，而不是默认情况下按顺序循环特征。这(设置为‘random’)通常会导致收敛速度显著加快，尤其是当 tol 高于 1e-4 时。

属性：

coef_：ndarray 形状 (n_features,) 或 (n_targets, n_features)

参数向量(成本函数公式中的 w)。

dual_gap_：形状的浮点数或 ndarray (n_targets,)

给定参数 alpha，优化结束时的对偶间隙，形状与 y 的每个观察值相同。

sparse_coef_形状为 (n_features, 1) 或 (n_targets, n_features) 的稀疏矩阵

拟合 coef_ 的稀疏表示。

intercept_：形状的浮点数或 ndarray (n_targets,)

决策函数中的独立项。

n_iter_：int 或 int 列表

坐标下降求解器为达到指定容差而运行的迭代次数。

n_features_in_：int

拟合期间看到的特征数。

feature_names_in_：ndarray 形状(n_features_in_，)

拟合期间看到的特征名称。仅当 X 具有全为字符串的函数名称时才定义。

注意：

用于拟合模型的算法是坐标下降。

为避免不必要的内存重复，fit 方法的 X 参数应直接作为 Fortran-contiguous numpy 数组传递。

例子：

>>> from sklearn import linear_model
>>> clf = linear_model.Lasso(alpha=0.1)
>>> clf.fit([[0,0], [1, 1], [2, 2]], [0, 1, 2])
Lasso(alpha=0.1)
>>> print(clf.coef_)
[0.85 0.  ]
>>> print(clf.intercept_)
0.15...