Python sklearn MultiTaskElasticNetCV用法及代码示例

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

用法:

class sklearn.linear_model.MultiTaskElasticNetCV(*, l1_ratio=0.5, eps=0.001, n_alphas=100, alphas=None, fit_intercept=True, normalize='deprecated', max_iter=1000, tol=0.0001, cv=None, copy_X=True, verbose=0, n_jobs=None, random_state=None, selection='cyclic')

具有内置交叉验证的多任务 L1/L2 ElasticNet。

请参阅交叉验证估计器的词汇表条目。

MultiTaskElasticNet 的优化目标是：

(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：

l1_ratio：浮点数或浮点数列表，默认=0.5

ElasticNet 混合参数，0 < l1_ratio <= 1。对于 l1_ratio = 1，惩罚是 L1/L2 惩罚。当 l1_ratio = 0 时，它是 L2 惩罚。对于 0 < l1_ratio < 1 ，惩罚是 L1/L2 和 L2 的组合。该参数可以是一个列表，在这种情况下，通过交叉验证来测试不同的值，并使用给出最佳预测分数的值。请注意，l1_ratio 值列表的一个不错选择通常是放置更多接近 1 的值(即 Lasso)和不太接近 0(即 Ridge)，如 [.1, .5, .7, .9, .95, .99, 1] 中。

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：类似数组，默认=无

计算模型的 alpha 列表。如果未提供，则自动设置。

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 。

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 。

cv：int，交叉验证生成器或可迭代，默认=无

确定交叉验证拆分策略。 cv 的可能输入是：

• 无，使用默认的 5 折交叉验证，
• int，指定折叠次数。
• CV分配器，
• 一个可迭代的 yield (train, test) 拆分为索引数组。

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。

copy_X：布尔，默认=真

如果 True ，X 将被复制；否则，它可能会被覆盖。

verbose：bool 或 int，默认 = 0

详细程度。

n_jobs：整数，默认=无

交叉验证期间要使用的 CPU 数量。请注意，这仅在给定 l1_ratio 的多个值时使用。 None 表示 1，除非在 joblib.parallel_backend 上下文中。 -1 表示使用所有处理器。有关详细信息，请参阅词汇表。

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：

intercept_：ndarray 形状 (n_targets,)

决策函数中的独立项。

coef_：ndarray 形状(n_targets，n_features)

参数向量(成本函数公式中的 W)。请注意，coef_ 存储了 W 、 W.T 的转置。

alpha_：浮点数

交叉验证选择的惩罚量。

mse_path_：ndarray 形状 (n_alphas, n_folds) 或 (n_l1_ratio, n_alphas, n_folds)

每次折叠测试集的均方误差，不同的 alpha。

alphas_：ndarray 形状 (n_alphas,) 或 (n_l1_ratio, n_alphas)

对于每个 l1_ratio，用于拟合的 alpha 网格。

l1_ratio_：浮点数

通过交叉验证获得的最佳 l1_ratio。

n_iter_：int

坐标下降求解器运行的迭代次数，以达到最佳 alpha 的指定容差。

dual_gap_：浮点数

最优 alpha 优化结束时的对偶间隙。

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 和 y 参数应直接作为 Fortran-contiguous numpy 数组传递。

例子：

>>> from sklearn import linear_model
>>> clf = linear_model.MultiTaskElasticNetCV(cv=3)
>>> clf.fit([[0,0], [1, 1], [2, 2]],
...         [[0, 0], [1, 1], [2, 2]])
MultiTaskElasticNetCV(cv=3)
>>> print(clf.coef_)
[[0.52875032 0.46958558]
 [0.52875032 0.46958558]]
>>> print(clf.intercept_)
[0.00166409 0.00166409]